采用DecisionTreeClassifier决策树模型建模，比较各因素的重要性(feature_importances_)，并分析模型的准确率。

好的，针对您的问题，我可以为您提供以下建议：

1. 数据准备：首先需要准备好数据集，确保数据的完整性和准确性，并对数据进行清洗和预处理，包括缺失值处理、异常值处理和特征工程等。

2. 建立决策树模型：使用sklearn库中的DecisionTreeClassifier模型，对数据进行训练和测试。可以通过调整模型参数和剪枝来优化模型性能。

3. 特征重要性分析：通过feature_importances_方法可以得到各个特征的重要性，可以通过可视化方式呈现，如条形图或热力图等。

4. 模型准确率分析：可以使用sklearn库中的metrics.accuracy_score方法来评估模型的准确率，并可以通过混淆矩阵等方式来分析模型的性能。

5. 结果解释和优化：根据分析结果，可以对模型进行优化，如调整特征选择、增加样本量、调整模型参数等，以提高模型的预测能力和泛化能力。

希望以上建议对您有所帮助！