Xtrain, Xtest, Ytrain, Ytest = train_test_split(data,target,test_size=0.3) clf = tree.DecisionTreeClassifier(criterion='entropy', max_depth = 4 , max_leaf_nodes = 9, min_samples_leaf = 10, ) clf = clf.fit(Xtrain, Ytrain)# 决策树拟合，得到模型 score = clf.score(Xtest, Ytest) #返回预测的准确度 print(score)

这段代码是使用决策树分类器对数据进行拟合和预测，并输出预测准确度的结果。其中，train_test_split函数用于将数据集划分为训练集和测试集，test_size参数指定了测试集所占比例；DecisionTreeClassifier函数用于创建一个决策树分类器，其中criterion参数指定了划分节点的方式，max_depth参数指定了决策树的最大深度，max_leaf_nodes参数指定了叶子节点的最大数量，min_samples_leaf参数指定了叶子节点中最少的样本数量；fit方法用于拟合数据集，score方法用于评估模型的预测准确度。