准备训练数据和测试数据，并将它们转换成 numpy 数组的形式。然后，你可以创建一个 DecisionTree 实例并调用 fit 方法进行训练，最后调用 predict 方法进行预测。代码

好的，下面是使用 Scikit-learn 库实现决策树算法的示例代码：

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

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

# 拆分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建决策树实例
clf = DecisionTreeClassifier(max_depth=3)

# 训练模型
clf.fit(X_train, y_train)

# 预测结果
y_pred = clf.predict(X_test)

# 评估模型性能
from sklearn.metrics import accuracy_score

print("Accuracy:", accuracy_score(y_test, y_pred))

在这个示例中，我们使用 Scikit-learn 库中的 load_iris 函数加载鸢尾花数据集。然后，我们将数据集拆分成训练集和测试集。接下来，我们创建一个 DecisionTreeClassifier 实例，并将其最大深度设置为 3。然后，我们使用 fit 方法将训练数据拟合到模型中，并使用 predict 方法对测试集进行预测。最后，我们使用 accuracy_score 函数计算模型的准确率。