如果拿到一份训练集和测试集。现在要把训练集按8：2的比例分成训练集和验证集，然后使用至少 3 种分类算法建立模型，在训练集上学习，通过调参及评估，找到预测效果最好的 模型。并将其应用在测实际上预测最终结果。问题一：他的具体过程和流程是什么。问题二：写出代码

问题一：
1.读入训练集和测试集数据
2.将训练集按照8：2的比例分成训练集和验证集
3.使用至少3种分类算法建立模型，如决策树、支持向量机、随机森林等
4.在训练集上学习，并进行参数调整和模型评估，找到预测效果最好的模型
5.将最佳模型应用在测试集上进行预测，得到最终结果

问题二：代码示例

# 导入所需库和数据
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.svm import SVC
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

data = pd.read_csv('train.csv')
test_data = pd.read_csv('test.csv')

# 将训练集分成训练集和验证集
train_data, valid_data, train_label, valid_label = train_test_split(data.iloc[:, :-1],
data.iloc[:, -1],
test_size=0.2,
random_state=42)

# 建立决策树模型
dt = DecisionTreeClassifier()
dt.fit(train_data, train_label)
dt_pred = dt.predict(valid_data)
dt_acc = accuracy_score(valid_label, dt_pred)

# 建立支持向量机模型
svc = SVC()
svc.fit(train_data, train_label)
svc_pred = svc.predict(valid_data)
svc_acc = accuracy_score(valid_label, svc_pred)

# 建立随机森林模型
rf = RandomForestClassifier()
rf.fit(train_data, train_label)
rf_pred = rf.predict(valid_data)
rf_acc = accuracy_score(valid_label, rf_pred)

# 找到最佳模型
acc = [dt_acc, svc_acc, rf_acc]
best_model = [dt, svc, rf][acc.index(max(acc))]

# 在测试集上进行预测
test_pred = best_model.predict(test_data)
print(test_pred)