用spyder(python3.8)编写代码：读取"data.xlsx"表格，自变量为x1-x15，决策变量为y。取前600条记录作为训练数据，后90条记录作为测试数据。 （1）训练决策树模型，采用不同的criterion，输出其训练评分和测试评分进行对比。 （2）训练随机森林模型，输出其训练评分和测试评分。

好的，我会根据你的要求进行回答。以下是对你的问题的回答：

对于你的第一个问题，可以使用以下代码来实现：

import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split

df = pd.read_excel('data.xlsx')

# 提取自变量和决策变量
X = df.iloc[:, 0:15]
y = df.iloc[:, 15]

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.13, shuffle=False)

# 决策树模型
criterion_list = ['gini', 'entropy']
for criterion in criterion_list:
    clf = DecisionTreeClassifier(criterion=criterion)
    clf.fit(X_train.iloc[:600], y_train.iloc[:600])
    train_score = clf.score(X_train.iloc[:600], y_train.iloc[:600])
    test_score = clf.score(X_test, y_test)
    print('Decision Tree Model with criterion:', criterion)
    print('Train Score:', train_score)
    print('Test Score:', test_score)
    print()

# 随机森林模型
clf = RandomForestClassifier()
clf.fit(X_train.iloc[:600], y_train.iloc[:600])
train_score = clf.score(X_train.iloc[:600], y_train.iloc[:600])
test_score = clf.score(X_test, y_test)
print('Random Forest Model')
print('Train Score:', train_score)
print('Test Score:', test_score)

该代码中，首先使用`pandas`库读取`data.xlsx`表格，并将自变量和决策变量提取出来。然后使用`train_test_split`函数将数据集划分为训练集和测试集，其中前600条记录作为训练集，后90条记录作为测试集。接着使用`DecisionTreeClassifier`类和`RandomForestClassifier`类分别构建决策树模型和随机森林模型，并使用`score`方法计算模型的训练评分和测试评分。对于决策树模型，使用了不同的`criterion`参数进行比较，输出其训练评分和测试评分进行对比。

希望对你有帮助！