采用 Iris 数据集的前两个属性和前100个数据集，构建决策树，并画出类似于书籍图4.11的分类边界 构建决策树

使用Iris数据集中的前两个属性（通常指萼片长度和花瓣长度），我们可以构建一个简单的决策树模型来进行分类。Iris数据集包含三种鸢尾花（Setosa, Versicolor, Virginica），这为我们提供了一个很好的示例来展示分类过程。

首先，我们需要加载所需的库如pandas、numpy、matplotlib以及sklearn中的DecisionTreeClassifier。然后，我们从数据集中选取前100个样本，只保留萼片长度（sepal length）和花瓣长度（petal length）这两个特征：

import pandas as pd
import numpy as np
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
import matplotlib.pyplot as plt

# 加载数据
iris = load_iris()
X = iris.data[:, :2]  # 取前两个属性
y = iris.target[:100]  # 取前100个样本标签

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建并训练决策树模型
clf = DecisionTreeClassifier(random_state=42)
clf.fit(X_train, y_train)

# 绘制决策边界
plt.figure(figsize=(10, 6))
plot_decision_regions(X, y, clf=clf, title="Decision Tree with first two features")
plt.xlabel("Petal Length")
plt.ylabel("Sepal Length")
plt.legend(loc='upper left')
plt.show()

# 决策区域函数
def plot_decision_regions(X, y, clf, resolution=0.02):
    markers = ['s', 'x', 'o']
    colors = ['red', 'blue', 'green']
    cmap = plt.cm.RdYlBu
    classes = np.unique(y)

    x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
    y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
    xx, yy = np.meshgrid(np.arange(x_min, x_max, resolution),
                         np.arange(y_min, y_max, resolution))

    Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
    Z = Z.reshape(xx.shape)
    plt.contourf(xx, yy, Z, alpha=0.8, cmap=cmap)
    for i, c in enumerate(classes):
        idx = np.where(y == c)
        plt.scatter(X[idx, 0], X[idx, 1], c=colors[i],
                    label=c, edgecolor='black', marker=markers[i], alpha=0.8)

这个脚本会生成一个图像，显示了基于萼片长度和花瓣长度的决策树分类边界。请注意，由于实际绘制依赖于图形环境，上述代码需要在支持Matplotlib的环境中运行。