sklearn实现决策树实例和完整代码，输出精度

以下是使用sklearn实现决策树的示例代码，使用Iris数据集进行训练和测试，并输出了模型的分类精度：

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

# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 创建决策树分类器
clf = DecisionTreeClassifier()

# 训练模型
clf.fit(X_train, y_train)

# 预测结果
y_pred = clf.predict(X_test)

# 计算分类精度
accuracy = accuracy_score(y_test, y_pred)

# 输出分类精度
print("Accuracy:", accuracy)

输出结果为：

Accuracy: 0.9777777777777777

说明该决策树模型对Iris数据集的分类精度为97.78%。