基于红酒数据集建立决策树预测模型，完成训练并构建决策树模型，对未 知类别属性数据样例分类，对模型进行打分，通过调整参数，找到找到较高的预测准确度，对数据模型进行图形化显示。

基于红酒数据集（例如红 Wine Quality 数据集），我们可以按照以下步骤建立决策树预测模型：

1. **数据加载与预处理**：
- 从数据集中加载所需特征（如酒精含量、色泽、糖分等）和目标变量（红酒质量评分）。
- 对数据进行清洗，处理缺失值，如有必要，可能还需要进行归一化或标准化。

2. **分割数据**：
- 将数据分为训练集和测试集，通常比例可能是70%训练，30%测试。

3. **模型训练**：
- 使用Python的scikit-learn库创建DecisionTreeClassifier实例。
- 传入训练数据和标签，调用`fit()`函数进行拟合，即构建决策树模型。

from sklearn.tree import DecisionTreeClassifier
model = DecisionTreeClassifier()
model.fit(X_train, y_train)

4. **预测未知样本**：
- 使用`predict()`方法对测试集或新的未知数据进行分类。

5. **评估模型性能**：
- 使用`score()`或`accuracy_score()`函数计算模型在测试集上的预测准确率。

   accuracy = model.score(X_test, y_test)

6. **参数调整**：
- 可能需要使用GridSearchCV或RandomizedSearchCV对决策树的参数（如最大深度、最小叶子节点数等）进行调优，寻找最佳参数组合以提高预测准确度。

7. **模型可视化**：
- 使用`export_graphviz`功能将决策树转换为可视化的图形，如由Graphviz生成的dot文件，然后用工具（如`pydot`或在线工具）将其转化为图片。

from sklearn.tree import export_graphviz
export_graphviz(model, out_file="tree.dot", feature_names=X.columns, class_names=['quality'])