【Python】sklearn.datasets使用（数据集、常用函数、示例代码）

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn import tree
 
# 加载鸢尾花数据集
iris = load_iris()
 
# 分割数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(
    iris.data, iris.target, test_size=0.3, random_state=42)
 
# 创建决策树模型
model = tree.DecisionTreeClassifier()
 
# 训练模型
model.fit(X_train, y_train)
 
# 进行预测
y_pred = model.predict(X_test)
 
# 评估模型性能
print("准确率:", model.score(X_test, y_test))

这段代码展示了如何使用sklearn.datasets中的load_iris函数加载鸢尾花数据集，使用sklearn.model_selection中的train_test_split函数将数据集分割为训练集和测试集，然后使用sklearn.tree中的DecisionTreeClassifier创建一个决策树模型，对训练集进行训练，最后在测试集上进行预测并评估模型性能。