补全代码_____________________________ #导入数据集库 _____________________________ #模型选择 _____________________________ #导入决策树库 _____________________________ #导入性能指标库 _____________________________ #导入绘图库 iris = _________________ #读入数据（） X = _________________ #特征数据 前两个特征 y = _________________ #分类数据 X_train,X_test,y_train,y_test = _______________________ #划分训练集与测试集 DTC = __________________ #创建决策树模型 ___________________ #训练模型 y_predict=_________________ #用测试集数据预测样本 Accuracy=_________________ #输出测试集准确率 print(Accuracy) plt.figure() _________________________ #你可以在此处自定义特征名和标签 plot_tree(_______________________________) #画出决策树 plt.show()

#导入数据集库 
from sklearn.datasets import load_iris
#模型选择 
from sklearn.model_selection import train_test_split
#导入决策树库 
from sklearn.tree import DecisionTreeClassifier
#导入性能指标库 
from sklearn.metrics import accuracy_score
#导入绘图库 
import matplotlib.pyplot as plt

iris = load_iris() #读入数据 
X = iris.data[:,:2] #特征数据 前两个特征 
y = iris.target #分类数据 

X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.3,random_state=42) #划分训练集与测试集 

DTC = DecisionTreeClassifier() #创建决策树模型 
DTC.fit(X_train, y_train) #训练模型 
y_predict=DTC.predict(X_test) #用测试集数据预测样本 
Accuracy=accuracy_score(y_test,y_predict) #输出测试集准确率 
print(Accuracy)

plt.figure() 
#你可以在此处自定义特征名和标签 
plot_tree(DTC, feature_names=['sepal length (cm)','sepal width (cm)'], class_names=['setosa', 'versicolor', 'virginica'], filled=True) #画出决策树 
plt.show()