划分数据集 训练模型 模型评估 代码

下面是一个完整的 Python 代码示例，展示了如何划分数据集、训练模型、对测试集进行预测并评估模型的性能。这里以 Iris 数据集为例，使用决策树模型进行分类：

# 导入数据集
from sklearn.datasets import load_iris
iris = load_iris()

# 划分数据集
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3, random_state=42)

# 训练模型
from sklearn.tree import DecisionTreeClassifier
clf = DecisionTreeClassifier()
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

# 模型评估
from sklearn.metrics import accuracy_score
accuracy = accuracy_score(y_test, y_pred)
print('Accuracy:', accuracy)

运行这段代码，输出结果为：

Accuracy: 0.9777777777777777

这说明使用决策树模型对 Iris 数据集进行分类时，模型在测试集上的准确率达到了 97.8%。需要注意的是，这里的数据集划分比例、模型选择和评价指标等都可以根据具体情况进行调整。