请写一个使用决策树进行混凝土强度预测的代码，数据集为混凝土强度预测数据集。要求对数据进行处理，输出预测图，求得平均绝对误差、平均绝对百分误差和均方根误差等评价指标。合理的设置参数，精度越高越好。

好的，以下是使用决策树进行混凝土强度预测的代码，其中涉及到一些数据预处理和评价指标计算的方法。

首先，需要加载相关的库和数据集：

import pandas as pd
import numpy as np
from sklearn.tree import DecisionTreeRegressor
from sklearn.metrics import mean_absolute_error, mean_squared_error
import matplotlib.pyplot as plt

# 加载数据集
data = pd.read_csv('concrete.csv')

接下来，需要对数据进行处理，包括数据清洗、特征选择和数据集划分等：

# 数据清洗
data.dropna(inplace=True)

# 特征选择
X = data.drop('strength', axis=1)
y = data['strength']

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

然后，可以使用决策树模型进行训练和预测：

# 训练模型
model = DecisionTreeRegressor(random_state=42)
model.fit(X_train, y_train)

# 预测结果
y_pred = model.predict(X_test)

最后，可以计算评价指标并输出预测图：

# 计算评价指标
mae = mean_absolute_error(y_test, y_pred)
mape = np.mean(np.abs((y_test - y_pred) / y_test)) * 100
rmse = np.sqrt(mean_squared_error(y_test, y_pred))
print('MAE:', mae)
print('MAPE:', mape)
print('RMSE:', rmse)

# 输出预测图
plt.figure(figsize=(10, 5))
plt.plot(y_test.values, label='actual')
plt.plot(y_pred, label='predicted')
plt.legend()
plt.show()

其中，MAE、MAPE和RMSE分别代表平均绝对误差、平均绝对百分误差和均方根误差。

你可以根据实际情况调整参数，以达到更高的精度。