用Python写出完成如下功能的代码：生成包含10000个样本数据集，每个样本包含10个特征；对数据进行预处理；特征之间相关性分析；特征选择；构建决策树分类模型；优化超参数；预测；测试模型的性能；

生成数据集：

import numpy as np

# 生成10000个样本，每个样本包含10个特征
X = np.random.rand(10000, 10)
# 生成10000个标签，0或1
y = np.random.randint(0, 2, size=10000)

预处理数据：

from sklearn.preprocessing import StandardScaler

# 标准化特征
scaler = StandardScaler()
X = scaler.fit_transform(X)

特征之间相关性分析：

import seaborn as sns
import matplotlib.pyplot as plt

# 计算相关系数矩阵
corr = np.corrcoef(X.T)

# 绘制相关系数热力图
plt.figure(figsize=(10, 10))
sns.heatmap(corr, annot=True, cmap='coolwarm')

特征选择：

from sklearn.feature_selection import SelectKBest, f_classif

# 选择最好的5个特征
selector = SelectKBest(score_func=f_classif, k=5)
X_new = selector.fit_transform(X, y)

构建决策树分类模型：

from sklearn.tree import DecisionTreeClassifier

# 构建决策树分类模型
clf = DecisionTreeClassifier(random_state=42)
clf.fit(X_new, y)

优化超参数：

from sklearn.model_selection import GridSearchCV

# 定义超参数搜索范围
param_grid = {
    'max_depth': [2, 4, 6, 8],
    'min_samples_split': [2, 4, 6, 8],
    'min_samples_leaf': [1, 2, 3, 4],
    'criterion': ['gini', 'entropy']
}

# 定义网格搜索对象
grid_search = GridSearchCV(clf, param_grid=param_grid, cv=5, n_jobs=-1)

# 进行网格搜索
grid_search.fit(X_new, y)

# 打印最佳超参数组合
print(grid_search.best_params_)

预测：

# 预测测试集
y_pred = grid_search.predict(X_new_test)

测试模型性能：

from sklearn.metrics import accuracy_score, classification_report

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy: {:.2f}%".format(accuracy * 100))

# 打印分类报告
print(classification_report(y_test, y_pred))