鸢尾花决策树分类的Python代码

在Python中，我们可以使用Scikit-learn库来构建鸢尾花数据集的决策树分类模型。这是一个简单的示例，我们将展示如何使用`Iris`数据集并创建一个决策树分类器：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据
iris = load_iris()
X = iris.data
y = iris.target

# 数据预处理：分割训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 创建决策树分类器
clf = DecisionTreeClassifier()

# 训练模型
clf.fit(X_train, y_train)

# 预测
y_pred = clf.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy * 100:.2f}%")

# 演示决策树结构
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)
graphviz.Source(dot_data).view()

在这个例子中，我们首先导入所需的库，然后加载鸢尾花数据。接着将数据分为训练集和测试集，创建一个`DecisionTreeClassifier`实例，训练它，并预测测试集的结果。最后计算预测的准确率，并可视化工作流程。