.自己找一个合适的数据集，使用决策树算法解决分类和回归问题，把解决思路和代码写在下面，可以使用原生python代码或sklearn等机器学习框架。

首先，我们选择一个数据集，这里以经典的鸢尾花（Iris）数据集为例，它是一个适合初学者的小型分类任务数据集，包含了三种花卉（Setosa、Versicolour、Virginica）的不同特征。对于回归问题，我们可以选取波士顿房价数据集（Boston Housing Dataset），它包含506个观测值，每个观测值有13个属性。

### 解决思路：

1. **数据预处理**：
- 导入必要的库：`pandas`, `numpy`, `scikit-learn`等。
- 加载数据集：`iris` for 分类任务，`boston` for 回归任务。
- 数据清洗、缺失值处理以及特征缩放。

2. **数据划分**：
- 划分训练集和测试集，通常80%用于训练，20%用于验证模型性能。

3. **构建决策树模型**：
- 对于分类任务，使用`sklearn.tree.DecisionTreeClassifier`。
- 对于回归任务，使用`sklearn.tree.DecisionTreeRegressor`。

4. **训练模型**：
- 使用训练数据拟合模型。

5. **评估模型**：
- 对测试集进行预测，并计算准确率（分类任务）或均方误差（MSE）（回归任务）。

6. **可视化决策树**：
- 可选步骤，对分类任务的决策树进行可视化以便理解其决策过程。

### 示例代码（Python + scikit-learn）：

# 导入所需库
import pandas as pd
import numpy as np
from sklearn.datasets import load_iris, load_boston
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier, DecisionTreeRegressor
from sklearn.metrics import accuracy_score, mean_squared_error
import matplotlib.pyplot as plt

# 分类任务（鸢尾花）
iris = load_iris()
X = iris.data
y = iris.target
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

clf = DecisionTreeClassifier()
clf.fit(X_train, y_train)
y_pred = clf.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print("分类任务准确率:", accuracy)

# 如果想要可视化决策树，可以使用：
# from sklearn.tree import export_graphviz
# export_graphviz(clf, out_file="tree.dot", feature_names=iris.feature_names, class_names=iris.target_names)

# 回归任务（波士顿房价）
boston = load_boston()
X_boston = boston.data
y_boston = boston.target
X_train_boston, X_test_boston, y_train_boston, y_test_boston = train_test_split(X_boston, y_boston, test_size=0.2, random_state=42)

regressor = DecisionTreeRegressor()
regressor.fit(X_train_boston, y_train_boston)
y_pred_boston = regressor.predict(X_test_boston)
mse = mean_squared_error(y_test_boston, y_pred_boston)
print("回归任务MSE:", mse)

# 结果分析...