利用CART决策树对iris数据集进行分类。训练数据集占原数据集的90%，剩余的为测试数据集。画出决策树模型后评估模型准确率。

好的，下面是利用 CART 决策树对 iris 数据集进行分类的步骤：

1. 导入必要的库

import pandas as pd
from sklearn.tree import DecisionTreeClassifier, plot_tree
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

2. 加载 iris 数据集

iris_data = pd.read_csv('iris.csv')

3. 将数据集分为特征和目标变量

X = iris_data.drop('species', axis=1)
y = iris_data['species']

4. 将数据集分为训练集和测试集

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.1, random_state=42)

5. 实例化决策树分类器

clf = DecisionTreeClassifier()

6. 训练模型

clf.fit(X_train, y_train)

7. 预测测试集的结果

y_pred = clf.predict(X_test)

8. 计算模型的准确率

accuracy = accuracy_score(y_test, y_pred)

9. 打印模型的准确率

print("模型准确率为：", accuracy)

10. 可视化决策树模型

plot_tree(clf, filled=True)

以上是利用 CART 决策树对 iris 数据集进行分类的完整步骤。其中，第4步中将测试集占比改为了10%，因为数据集较小，为了保证测试集的样本量足够，可以适当减小测试集的占比。