Python 决策树分类 - 鸢尾花数据集示例

当然！使用 Python 可以很方便地对鸢尾花数据集进行决策树分类。以下是一个基本的示例代码：

# 导入所需的库
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

# 加载鸢尾花数据集
iris = load_iris()
# 获取特征数据
X = iris.data
# 获取目标变量（类别）数据
y = iris.target

# 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)

# 创建决策树分类器
clf = DecisionTreeClassifier()
# 在训练集上训练分类器
clf.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = clf.predict(X_test)

# 计算分类准确率
accuracy = accuracy_score(y_test, y_pred)
print('分类准确率：', accuracy)

这段代码使用了sklearn库中的DecisionTreeClassifier类来创建决策树分类器，并使用train_test_split函数将数据集划分为训练集和测试集。然后，通过fit方法在训练集上训练分类器，并使用predict方法在测试集上进行预测。最后，使用accuracy_score函数计算分类准确率。

注意：在运行代码之前，请确保已经安装了scikit-learn库。可以使用pip install scikit-learn命令进行安装。