x_tr, x_te, y_tr, y_te = train_test_split(X, y, test_size=0.2, random_state=12345) # 初始化决策树对象，基于信息熵 dtc = DecisionTreeClassifier() dtc.fit(x_tr,y_tr) # 训练模型 pre = dtc.predict(x_te) acc = accuracy_score(y_te, pre) print('预测准确率：\n',acc)

这段代码使用决策树分类器对数据集进行训练和预测，并计算预测准确率。具体步骤如下：

1. 使用 train_test_split 函数将数据集 X 和标签 y 划分为训练集和测试集，其中测试集占比为 0.2，随机种子为 12345。
2. 初始化一个决策树分类器对象 dtc。
3. 使用 fit 方法对训练集进行拟合，训练出一个决策树模型。
4. 使用 predict 方法对测试集进行预测，得到预测结果 pre。
5. 使用 accuracy_score 函数计算预测准确率，即测试集中预测正确的样本数占总样本数的比例，将结果赋值给变量 acc。
6. 最后输出预测准确率 acc。

需要注意的是，这段代码并没有对模型进行任何调参操作，因此可能存在过拟合或欠拟合等问题，需要根据具体情况进行调整。