实现一个决策树分类的应用，不可照搬例程，可结合专业相关、其他领域、公共数据库或者 sklearn 包中其他数据集进行应用； 需要进行交叉验证且能选择正确的指标进行模型的性能评估。的代码

在Python中，我们可以使用sklearn库来实现一个基于决策树的分类应用。这里我们将采用经典的Iris花卉数据集，并结合交叉验证和准确率作为评估指标。首先，我们需要导入必要的库：

import numpy as np
import pandas as pd
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

然后，加载Iris数据集并预处理：

# 加载数据
iris = load_iris()
X = iris.data
y = iris.target

# 数据分割，通常80%用于训练，20%用于测试
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

接着，创建并训练决策树分类器：

# 创建决策树分类器
clf = DecisionTreeClassifier()

# 使用训练数据训练模型
clf.fit(X_train, y_train)

为了进行交叉验证，我们使用`cross_val_score`函数，同时计算每个折的准确率：

# 交叉验证，5折交叉验证为例
cv_scores = cross_val_score(clf, X_train, y_train, cv=5, scoring='accuracy')

# 平均准确率
avg_accuracy = np.mean(cv_scores)
print(f"平均交叉验证准确率为: {avg_accuracy:.2f}")

最后，评估模型在测试集上的表现：

# 预测测试集标签
y_pred = clf.predict(X_test)

# 计算测试集准确率
test_accuracy = accuracy_score(y_test, y_pred)
print(f"测试集准确率为: {test_accuracy:.2f}")

以上就是一个简单的决策树分类应用示例，包括了数据加载、训练、交叉验证以及性能评估。