使用python的sklearn库写一个决策树代码

以下是使用Python的sklearn库编写决策树的代码：

from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier, plot_tree
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt

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

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 建立决策树模型
clf = DecisionTreeClassifier(random_state=42)
clf.fit(X_train, y_train)

# 测试模型精度
score = clf.score(X_test, y_test)
print(f"决策树模型的精度为{score:.2f}")

# 可视化决策树
plt.figure(figsize=(10,8))
plot_tree(clf, filled=True)
plt.show()

在这个例子中，我们首先加载了鸢尾花数据集，然后将数据集分为训练集和测试集。接下来，我们建立了一个决策树分类器，并使用训练数据拟合了模型。最后，我们测试了模型的精度，并使用matplotlib库的plot_tree函数可视化了决策树。