使用决策树算法对sklearn自带的鸢尾花数据集进行分类

决策树算法是一种基于树形结构来进行分类和回归分析的模型。在scikit-learn库中，我们可以利用`DecisionTreeClassifier`类来构建决策树模型并应用于鸢尾花（Iris）数据集。这是一个经典的机器学习入门案例，因为数据集包含较少的特征，适合解释。

首先，你需要导入所需的库和数据集：

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

# 加载鸢尾花数据
iris = load_iris()
X = iris.data
y = iris.target

然后，将数据分为训练集和测试集：

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

接下来，创建并训练决策树模型：

tree_classifier = DecisionTreeClassifier()
tree_classifier.fit(X_train, y_train)

最后，进行预测并评估模型性能：

y_pred = tree_classifier.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy}")

在这个过程中，决策树会依据特征的重要性划分样本到各个类别，展示出一个易于理解和解释的决策路径。决策树可以直观地显示出影响结果的主要因素。