决策树鸢尾花分类代码

决策树是一种常见的机器学习算法，用于分类任务。假设我们想要使用决策树对鸢尾花数据集进行分类，以下是一个简单的Python代码示例，使用scikit-learn库：

# 导入所需的库
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

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

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 创建并训练决策树分类器
clf = DecisionTreeClassifier()
clf.fit(X_train, y_train)

# 预测测试集结果
y_pred = clf.predict(X_test)

# 计算预测准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

# 可视化决策树（例如使用graphviz）
from sklearn.tree import export_graphviz
import graphviz
export_graphviz(clf, out_file='iris_tree.dot', feature_names=iris.feature_names, class_names=iris.target_names, filled=True, rounded=True)

这个代码首先加载鸢尾花数据，然后分割成训练集和测试集。接着创建一个决策树模型，训练它，并在测试集上做预测。最后，计算模型的准确性和可视化决策树。