(三)找个数据集，利用SKLearn库跑一个决策树模型； 1.加载数据集，可以使用其它任何数据集，不局限于iris； 2.划分数据集； #两种做法：1.分成训练集和测试集；2.采用K折交叉验证； 3.选择一个分类模型（线性回归、svm等），自己编写，或网上下载，或调用sklearn库，进行训练； 4.输出在测试集上的精度。

1. 加载数据集：可以使用SKLearn库自带的数据集，也可以使用其他数据集。例如，我们可以使用UCI的鸢尾花数据集（Iris），通过SKLearn库中的load_iris()方法加载数据集：

from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data
y = iris.target

2. 划分数据集：我们可以使用SKLearn库中的train_test_split()方法将数据集划分为训练集和测试集。

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

这里将数据集分为70%的训练集和30%的测试集，随机种子为42，可以保证每次运行代码得到相同的结果。