用决策树模型预测泰坦尼克生还判断？（训练数据：train.csv、测试数据： test.csv），一个旅客是否能够逃生与他的 Pclass、Name、Sex、Age、SibSp、 Parch、Ticket、Fare、Cabin、Embarked 等均有一定联系，能否找到这些特征和 他们能否逃生之间的规律，选择对分类结果有关键作用的特征。构建决策树模型， 并对决策树进行可视化，用 graphviz 将决策树呈现出来。

好的，针对你的问题，我可以为你提供如下思路：

1. 读取训练数据和测试数据。
2. 对数据进行预处理，包括缺失值填充、特征编码等。
3. 划分训练集和验证集。
4. 构建决策树模型，并使用训练集进行训练。
5. 对模型进行评估，包括准确率、精确率、召回率等指标。
6. 使用测试集进行预测，并生成提交文件。
7. 使用 graphviz 库对决策树进行可视化。

以下是 Python 代码示例：

import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score, precision_score, recall_score
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelEncoder
import graphviz

# 读取数据
train_df = pd.read_csv('train.csv')
test_df = pd.read_csv('test.csv')

# 预处理数据
train_df.fillna(method='ffill', inplace=True)  # 使用前向填充方法填充缺失值
test_df.fillna(method='ffill', inplace=True)

le = LabelEncoder()
train_df['Sex'] = le.fit_transform(train_df['Sex'])
test_df['Sex'] = le.transform(test_df['Sex'])

train_df = pd.get_dummies(train_df, columns=['Embarked'])
test_df = pd.get_dummies(test_df, columns=['Embarked'])

# 划分训练集和验证集
X_train, X_val, y_train, y_val = train_test_split(train_df.drop(['Survived'], axis=1), train_df['Survived'], test_size=0.2, random_state=42)

# 构建决策树模型
clf = DecisionTreeClassifier()
clf.fit(X_train, y_train)

# 评估模型
y_pred = clf.predict(X_val)
print('Accuracy:', accuracy_score(y_val, y_pred))
print('Precision:', precision_score(y_val, y_pred))
print('Recall:', recall_score(y_val, y_pred))

# 使用测试集进行预测
test_pred = clf.predict(test_df)

# 生成提交文件
submission_df = pd.DataFrame({'PassengerId': test_df['PassengerId'], 'Survived': test_pred})
submission_df.to_csv('submission.csv', index=False)

# 可视化决策树
dot_data = tree.export_graphviz(clf, out_file=None, feature_names=train_df.drop(['Survived'], axis=1).columns, class_names=['0', '1'], filled=True, rounded=True, special_characters=True)
graph = graphviz.Source(dot_data)
graph

这段代码会将决策树模型可视化并输出到控制台，你可以将其复制到 graphviz 的网站上，生成一张可视化的决策树。