写一段代码，生成或从sklearn.datasets中读取任意数据集（例如鸢尾花数据 iris ），用KNN和决策树两个模型分别训练和测试

下面是生成iris数据集并使用KNN和决策树进行训练和测试的Python代码：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.tree import DecisionTreeClassifier

# 加载数据集
iris = load_iris()
X, y = iris.data, iris.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=0.3, random_state=42)

# 训练KNN模型
knn = KNeighborsClassifier()
knn.fit(X_train, y_train)

# 测试KNN模型
knn_accuracy = knn.score(X_test, y_test)
print("KNN accuracy:", knn_accuracy)

# 训练决策树模型
dt = DecisionTreeClassifier()
dt.fit(X_train, y_train)

# 测试决策树模型
dt_accuracy = dt.score(X_test, y_test)
print("Decision Tree accuracy:", dt_accuracy)

这段代码会生成iris数据集并将其划分为训练集和测试集。然后分别使用KNN和决策树模型进行训练和测试，并输出模型的准确率。