基于wine.csv数据集，划分训练集与测试集，建立分类模型。1）使用决策树在训练集上建立分类模型，记录模型在测试集上的性能；2) 使用SVM在训练集上建立分类模型，记录模型在测试集上的性能

首先，让我们假设您已经有一个名为`wine.csv`的数据集，它通常包含用于机器学习任务的特征和目标变量。为了划分训练集和测试集，并分别使用决策树和支持向量机(SVM)建立分类模型，我们可以按照以下步骤操作：

1. **加载数据并预处理**：
- 使用pandas库加载数据：`import pandas as pd`
- `data = pd.read_csv('wine.csv')`
- 检查数据是否有缺失值并处理：`data.dropna(inplace=True)`
- 根据需要对类别变量进行编码（例如，One-Hot编码）

2. **划分数据集**：
- 利用sklearn库中的train_test_split函数：`from sklearn.model_selection import train_test_split`

   X = data.drop('target', axis=1)  # 特征
   y = data['target']                # 目标变量
   X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

3. **构建决策树模型**：
- 导入决策树模块：`from sklearn.tree import DecisionTreeClassifier`
- 创建并拟合模型：

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

- 预测测试集结果并评估性能（如准确率、精度、召回率等）：

   y_pred_dtree = dtree.predict(X_test)
   from sklearn.metrics import classification_report, accuracy_score
   print(f"Decision Tree Performance:")
   print(classification_report(y_test, y_pred_dtree))
   acc_dtree = accuracy_score(y_test, y_pred_dtree)
   print(f"Accuracy: {acc_dtree}")

4. **构建SVM模型**：
- 导入SVM模块：`from sklearn.svm import SVC`
- 创建并拟合模型：

   svm = SVC()
   svm.fit(X_train, y_train)

- 类似地，预测测试集并评估性能：

   y_pred_svm = svm.predict(X_test)
   print(f"SVM Performance:")
   print(classification_report(y_test, y_pred_svm))
   acc_svm = accuracy_score(y_test, y_pred_svm)
   print(f"Accuracy: {acc_svm}")