基于鸢尾花数据集编写程序，实现决策树算法、输出分类结果

基于鸢尾花数据集（Iris dataset）编写程序并应用决策树算法通常涉及以下几个步骤：

1. **导入库和数据**：首先需要导入必要的库，如`sklearn`（scikit-learn）用于机器学习，以及`pandas`处理数据。然后加载鸢尾花数据集，可以使用`load_iris`函数。

import pandas as pd
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import classification_report

2. **数据预处理**：将数据集分为特征（X）和目标变量（y），然后分割成训练集和测试集。

data = load_iris()
X = data.data
y = data.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

3. **模型构建**：创建一个`DecisionTreeClassifier`实例，并对其进行训练。

clf = DecisionTreeClassifier(random_state=42)
clf.fit(X_train, y_train)

4. **预测与评估**：使用训练好的模型对测试集进行预测，并计算分类报告以了解模型性能。

y_pred = clf.predict(X_test)

print("Classification Report:\n", classification_report(y_test, y_pred))

5. **输出分类结果**：最后，输出每个样本在测试集上的预测类别。

for i, pred in enumerate(y_pred):
    print(f"Sample {i+1}: Actual - {y_test[i]}, Predicted - {pred}")