编写python代码完成以下要求：1.能根据不同的数据类型，选择不同的决策树算法； 2.针对特定应用场景及数据，能应用决策树算法解决实际问题。 3.实现决策树分类的可视化

好的，以下是代码实现：

# 导入所需的库
from sklearn import tree
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
import graphviz

# 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=0.2, random_state=42)

# 根据数据类型选择不同的决策树算法
if isinstance(X[0], str):
    clf = tree.DecisionTreeClassifier(criterion="entropy")
else:
    clf = tree.DecisionTreeRegressor()

# 训练模型
clf.fit(X_train, y_train)

# 预测结果
y_pred = clf.predict(X_test)

# 计算准确度
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

# 可视化决策树
dot_data = tree.export_graphviz(clf, out_file=None, feature_names=iris.feature_names, class_names=iris.target_names,
                                filled=True, rounded=True, special_characters=True)
graph = graphviz.Source(dot_data)
graph.render("iris")

通过判断数据类型来选择分类器类型是一种常见的处理方式。在上述代码中，如果输入数据的第一个元素是字符串，则使用`DecisionTreeClassifier`分类器，否则使用`DecisionTreeRegressor`回归器。

代码还实现了针对特定应用场景及数据，能应用决策树算法解决实际问题的能力。在这里，我们使用了经典的鸢尾花数据集进行分类。

最后，代码还实现了决策树分类的可视化，使用了`graphviz`库将分类树可视化输出为PDF格式的文件。