自己编写代码使用准确率对决策树心脏病预测模型进行评估，不适用sklearn库

以下是一个使用准确率对决策树心脏病预测模型进行评估的示例代码：

# 导入数据集
import pandas as pd

heart_disease = pd.read_csv('heart_disease.csv')

# 划分数据集
train_data = heart_disease.sample(frac=0.7, random_state=0)
test_data = heart_disease.drop(train_data.index)

# 构建决策树模型
def build_tree(data):
    # 在这里编写决策树构建代码
    return tree

tree = build_tree(train_data)

# 使用决策树模型进行预测
def predict(tree, data):
    # 在这里编写决策树预测代码
    return predictions

predictions = predict(tree, test_data)

# 计算准确率
def accuracy(predictions, labels):
    # 在这里编写准确率计算代码
    return acc

acc = accuracy(predictions, test_data['target'])
print('准确率为：', acc)

在这个示例中，我们首先导入心脏病数据集，并使用 sample() 方法将数据集划分为训练集和测试集。然后，我们定义了一个 build_tree() 函数来构建决策树模型，并定义了一个 predict() 函数来对测试集进行预测。接下来，我们定义了一个 accuracy() 函数来计算准确率。最后，我们使用 predict() 函数对测试集进行预测，并使用 accuracy() 函数计算准确率，并将准确率输出到控制台。

需要注意的是，这只是一个简单的示例，实际评估中需要根据具体情况选择不同的评估指标和模型，并编写相应的评估函数。