用鸢尾花数据集划分训练集和测试集画出决策图

好的，我可以帮助你画出决策树。不过在此之前，我们需要先导入数据集并对其进行处理。

首先，我们需要导入必要的库和数据集。你可以使用以下代码执行这些操作：

import pandas as pd
from sklearn.datasets import load_iris

iris = load_iris()
df = pd.DataFrame(iris.data, columns=iris.feature_names)
df['target'] = iris.target

接下来，我们将数据集分为训练集和测试集。你可以使用以下代码完成此操作：

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(df[iris.feature_names], df['target'], random_state=0)

然后，我们可以使用决策树分类器对数据进行拟合和预测。你可以使用以下代码完成此操作：

from sklearn.tree import DecisionTreeClassifier
from sklearn import tree

clf = DecisionTreeClassifier(max_depth = 2, random_state = 0)
clf.fit(X_train, y_train)

最后，我们可以使用 Graphviz 库将决策树可视化。你可以使用以下代码完成此操作：

import graphviz 

dot_data = tree.export_graphviz(clf, out_file=None, 
                                feature_names=iris.feature_names,  
                                class_names=iris.target_names,  
                                filled=True, rounded=True,  
                                special_characters=True)  
graph = graphviz.Source(dot_data)  
graph.render("iris") 
graph

这将生成一个名为“iris”的 PDF 文件，其中包含决策树。你可以使用以下代码显示决策树：

graph

下面是完整的代码：

import pandas as pd
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn import tree
import graphviz 

iris = load_iris()
df = pd.DataFrame(iris.data, columns=iris.feature_names)
df['target'] = iris.target

X_train, X_test, y_train, y_test = train_test_split(df[iris.feature_names], df['target'], random_state=0)

clf = DecisionTreeClassifier(max_depth = 2, random_state = 0)
clf.fit(X_train, y_train)

dot_data = tree.export_graphviz(clf, out_file=None, 
                                feature_names=iris.feature_names,  
                                class_names=iris.target_names,  
                                filled=True, rounded=True,  
                                special_characters=True)  
graph = graphviz.Source(dot_data)  
graph.render("iris") 
graph

你可以使用以上代码生成决策树并查看结果。