用python导入数据集并生成决策树

以下是一个简单的例子，使用Python中的Scikit-learn库导入鸢尾花数据集并训练一个决策树模型：

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

# 导入数据集
iris = load_iris()

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3, random_state=42)

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

# 在测试集上进行预测
y_pred = clf.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

在这个例子中，我们使用了Scikit-learn库中的`load_iris()`函数来加载鸢尾花数据集。然后，我们使用`train_test_split()`函数将数据集分为训练集和测试集。接下来，我们使用`DecisionTreeClassifier()`函数创建一个决策树分类器，并使用训练集数据进行训练。最后，我们使用测试集数据进行预测，并计算预测准确率。