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）3.采用DecisionTreeClassifier决策树模型建模，比较各因素的重要性(feature_imp

1. 对于第一个问题，您想了解如何使用 Python 中的 `train_test_split` 函数来划分样本数据集为训练集和测试集。下面是一个简单的示例代码：

from sklearn.model_selection import train_test_split

X = ... # 特征数据
y = ... # 目标变量

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

在这里，`X` 是特征数据，`y` 是目标变量。`test_size` 参数定义了测试集的大小，这里设置为 30%。`random_state` 参数用于确保每次运行代码时得到相同的随机结果。返回值是训练集和测试集的特征数据和目标变量。

2. 对于第二个问题，您想了解如何使用 KNN 算法来建立分类模型，并分析模型的准确率。下面是一个简单的示例代码：

from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score

k = 3 # 设置 K 值
clf = KNeighborsClassifier(n_neighbors=k)
clf.fit(X_train, y_train)

y_pred = clf.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

在这里，`KNeighborsClassifier` 是 KNN 分类器的实现。`n_neighbors` 参数定义了 K 的值。`fit` 函数用于训练模型，`predict` 函数用于预测测试集。`accuracy_score` 函数用于计算模型的准确率。返回值是模型的准确率。

3. 对于第三个问题，您想了解如何使用决策树模型来建立分类模型，并比较各因素的重要性。下面是一个简单的示例代码：

from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

clf = DecisionTreeClassifier()
clf.fit(X_train, y_train)

y_pred = clf.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

feature_importances = clf.feature_importances_
print("Feature importances:", feature_importances)

在这里，`DecisionTreeClassifier` 是决策树分类器的实现。`fit` 函数用于训练模型，`predict` 函数用于预测测试集。`accuracy_score` 函数用于计算模型的准确率。`feature_importances_` 属性用于获取各因素的重要性。返回值是模型的准确率和各因素的重要性。