基于鸢尾花数据集编写程序实现决策树算法输出分类结果

基于鸢尾花数据集（Iris dataset）实现决策树算法通常涉及以下几个步骤：

1. **导入库**：首先，你需要导入必要的机器学习和数据分析库，如Python的`scikit-learn`，它包含了鸢尾花数据集和多种预建的分类算法。

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

2. **加载数据**：使用`load_iris()`函数加载鸢尾花数据集，并查看其属性。

iris = datasets.load_iris()
X = iris.data
y = iris.target

3. **数据预处理**：划分训练集和测试集，以便评估模型性能。

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

4. **创建并训练决策树模型**：创建`DecisionTreeClassifier`实例，并用训练数据拟合。

tree_model = DecisionTreeClassifier(random_state=42)
tree_model.fit(X_train, y_train)

5. **预测及评估**：用测试集数据进行预测，然后计算准确率。

y_pred = tree_model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

6. **输出分类结果**：打印出每个样本的预测类别。

for i in range(len(y_test)):
    print(f"Sample {i+1}: Predicted class - {y_pred[i]}")