数据挖掘简单决策树对数据分类预测并求准确率，查全率代码

以下是使用Python中的sklearn库进行决策树分类预测并计算准确率和查全率的代码：

from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, recall_score

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

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

# 定义决策树分类模型
clf = DecisionTreeClassifier(random_state=42)

# 训练模型
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("准确率：", accuracy)

# 计算查全率
recall = recall_score(y_test, y_pred, average='macro')
print("查全率：", recall)

在上面的代码中，我们使用鸢尾花数据集作为示例数据集，使用train_test_split将数据集分为训练集和测试集，使用DecisionTreeClassifier定义决策树分类模型，并使用fit方法进行训练。然后，我们使用predict方法对测试集进行预测，并使用accuracy_score计算准确率，使用recall_score计算查全率。其中，recall_score中的average参数设置为'macro'表示对每个类别的查全率取平均值。