根据鸢尾花训练样本集构建sklearn决策树，并对测试集进行分类处理，给出所建分类器分类精度。并采用graphviz工具画出所生成的决策树。

首先，我们需要使用Python的scikit-learn库来完成这个任务，步骤如下：

1. **导入所需库**:

import numpy as np
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score
import graphviz

2. **加载鸢尾花数据集**:

iris = datasets.load_iris()
X = iris.data
y = iris.target

3. **划分训练集和测试集**:

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

4. **创建决策树模型并训练**:

clf = DecisionTreeClassifier(random_state=42)
clf.fit(X_train, y_train)

5. **预测测试集并计算准确率**:

y_pred = clf.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f"决策树分类器的精度为: {accuracy * 100}%")

6. **可视化决策树**:

dot_data = tree.export_graphviz(clf, out_file=None, feature_names=iris.feature_names, class_names=iris.target_names, filled=True, rounded=True)
graphviz.Source(dot_data).view() # 如果在Jupyter Notebook中运行此行，会显示交互式图表

这段代码会先创建一个决策树分类器，然后用训练数据训练它。接着，我们使用测试集进行预测，并计算预测的准确度。最后，我们使用`export_graphviz`函数将决策树转换成图形文件，`Source`函数将其打开查看。