利用现有的数据集进行决策树模型训练，数据集不限，训练完成后，输入新的测试集数据，输入相应的预测值代码咋写

在Python中，可以使用scikit-learn库来构建决策树模型并进行预测。这里是一个简单的例子，假设我们有一个分类任务的数据集（如鸢尾花数据集Iris），以下是步骤：

# 导入所需的库
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

# 加载数据集（这里以鸢尾花数据为例）
iris = load_iris()
X = iris.data
y = iris.target

# 数据预处理，通常我们会拆分数据为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建决策树模型
clf = DecisionTreeClassifier()

# 使用训练数据拟合模型
clf.fit(X_train, y_train)

# 预测新数据
def predict_new_data(test_data):
    predictions = clf.predict(test_data)
    return predictions

# 新的测试集数据
new_test_data = ...  # 这里填写你的新测试集数据

# 对新数据进行预测
predictions = predict_new_data(new_test_data)

# 计算预测准确率
accuracy = accuracy_score(y_test, predictions)
print(f"预测准确率为: {accuracy * 100}%")