题目2 大学生就业数据预测 1.收集了某校学生的就业数据，与就业相关的特征如下： 根据样本数据，划分训练集与测试集(train_test_split函数)（30分） 2.采用KNN建立分类模型，分析模型的准确率。（30分） from sklearn import neighbors knn = neighbors.KNeighborsClassifier() knn.fit(X_train, y_train) y_pred_knn = knn.predict(X_test) 3.采用DecisionTreeClassifier决策树模型建模，比较各因素的重要性(feature_importances_)，并分析模型的准确率。（40分） from sklearn import tree dtc = tree.DecisionTreeClassifier() dtc.fit(X_train, y_train) y_pred_dtc = dtc.predict(X_test)

好的，我已经理解了你的问题。下面是我的回答：

1. 划分训练集与测试集的代码如下：

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

其中，X表示特征矩阵，y表示目标向量，test_size表示测试集所占比例，random_state表示随机种子，保证每次划分的结果一致。

2. 采用KNN算法建立分类模型，并分析准确率的代码如下：

from sklearn.metrics import accuracy_score

knn = neighbors.KNeighborsClassifier()
knn.fit(X_train, y_train)
y_pred_knn = knn.predict(X_test)
accuracy_knn = accuracy_score(y_test, y_pred_knn)
print("KNN准确率：", accuracy_knn)

其中，accuracy_score函数用于计算准确率。

3. 采用DecisionTreeClassifier决策树模型建模，并分析各因素的重要性和准确率的代码如下：

dtc = tree.DecisionTreeClassifier()
dtc.fit(X_train, y_train)
y_pred_dtc = dtc.predict(X_test)
accuracy_dtc = accuracy_score(y_test, y_pred_dtc)
print("决策树准确率：", accuracy_dtc)
importance = dtc.feature_importances_
print("各因素重要性：", importance)

其中，feature_importances_属性表示各因素的重要性。