基于鸢尾花数据集的cart分类回归算法Python代码

以下是基于鸢尾花数据集的 CART 分类回归算法的 Python 代码：

from sklearn import datasets
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集
iris = datasets.load_iris()

# 取出前两列特征数据和对应标签数据
X = iris.data[:, :2]
y = iris.target

# 将数据集划分为训练集和测试集，测试集占比为 20%
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

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

# 训练模型
clf.fit(X_train, y_train)

# 在测试集上进行预测并计算准确率
y_pred = clf.predict(X_test)
acc = accuracy_score(y_test, y_pred)

print("准确率：", acc)

在上述代码中，我们使用 `sklearn` 库中的 `DecisionTreeClassifier` 类来构建决策树分类器。首先，我们加载了鸢尾花数据集，然后取出前两列特征数据和对应标签数据，再将数据集划分为训练集和测试集。接下来，我们创建了一个 `DecisionTreeClassifier` 对象，并使用 `fit` 方法对训练集进行训练。最后，我们使用 `predict` 方法在测试集上进行预测，并使用 `accuracy_score` 函数计算预测准确率。