使用 DecisionTreeClassifier 进行分类

DecisionTreeClassifier 是一种基于树结构的分类算法，它将数据集划分为多个小的子集，每个子集对应树的一个叶节点，树的分支表示特征的不同取值。下面是一个简单的使用 DecisionTreeClassifier 进行分类的示例代码：

from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split

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

# 划分训练集和测试集
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)

# 在测试集上评估模型
acc = clf.score(X_test, y_test)
print('Accuracy:', acc)

在这个示例中，我们首先加载了鸢尾花数据集，然后将其划分为训练集和测试集。接着，我们创建了一个 DecisionTreeClassifier 对象，并调用 fit 方法训练模型。最后，我们使用 score 方法在测试集上评估模型，并输出准确率。