1.收集了某校学生的就业数据，与就业相关的特征如下： 根据样本数据，划分训练集与测试集(train_test_split函数)（30分） 2.采用KNN建立分类模型，分析模型的准确率。（30分） from sklearn import neighbors knn = neighbors.KNeighborsClassifier() knn.fit(X_train, y_train) y_pred_knn = knn.predict(X_test) 3.采用DecisionTreeClassifier决策树模型建模，比较各因素的重要性(feature_importances_)，并分析模型的准确率。（40分） from sklearn import tree dtc = tree.DecisionTreeClassifier() dtc.fit(X_train, y_train) y_pred_dtc = dtc.predict(X_test)

1. 收集了某校学生的就业数据，与就业相关的特征如下：

特征：
- 学生姓名
- 学生性别
- 学生年龄
- 学生专业
- 毕业时间
- 就业状态（已就业/未就业）
- 工作类型（行政/技术/销售等）
- 工作地点
- 月薪水平

根据样本数据，划分训练集与测试集(train_test_split函数)：

from sklearn.model_selection import train_test_split

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

其中，X表示特征数据，y表示标签数据（即是否就业），test_size表示测试集占比，random_state表示随机种子，用于保证每次划分的结果一致。

2. 采用KNN建立分类模型，分析模型的准确率。

from sklearn import neighbors

knn = neighbors.KNeighborsClassifier()
knn.fit(X_train, y_train)
y_pred_knn = knn.predict(X_test)

from sklearn.metrics import accuracy_score

acc_knn = accuracy_score(y_test, y_pred_knn)
print("KNN模型的准确率为：", acc_knn)

3. 采用DecisionTreeClassifier决策树模型建模，比较各因素的重要性(feature_importances_)，并分析模型的准确率。

from sklearn import tree

dtc = tree.DecisionTreeClassifier()
dtc.fit(X_train, y_train)
y_pred_dtc = dtc.predict(X_test)

importance = dtc.feature_importances_
print("各特征的重要性：", importance)

acc_dtc = accuracy_score(y_test, y_pred_dtc)
print("决策树模型的准确率为：", acc_dtc)

其中，feature_importances_属性可以获取决策树模型中各特征的重要性。准确率可以使用accuracy_score函数计算。