python写一段决策树分类模型的代码，并且输出测试精度和训练精度

好的，下面是一段简单的决策树分类模型的代码，使用的是sklearn库中的DecisionTreeClassifier类：

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

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

# 划分数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

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

# 训练模型
clf.fit(X_train, y_train)

# 预测训练集和测试集
y_train_pred = clf.predict(X_train)
y_test_pred = clf.predict(X_test)

# 计算训练集和测试集精度
train_acc = accuracy_score(y_train, y_train_pred)
test_acc = accuracy_score(y_test, y_test_pred)

print("训练集精度：", train_acc)
print("测试集精度：", test_acc)

这段代码使用iris数据集作为示例数据集，首先将数据集划分为训练集和测试集，然后创建DecisionTreeClassifier分类器进行训练和预测，最后使用accuracy_score函数计算训练集和测试集的精度并输出。