在Scikit-learn中实现决策树的方法是使用DecisionTreeClassifier类。下面是一个简单的示例代码，演示如何在Scikit-learn中实现决策树：
from sklearn import datasetsfrom sklearn.model_selection import train_test_splitfrom sklearn.tree import DecisionTreeClassifierfrom sklearn.metrics import accuracy_score# 加载数据集iris = datasets.load_iris()X = iris.datay = iris.target# 将数据集划分为训练集和测试集X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 创建决策树模型clf = DecisionTreeClassifier()# 在训练集上训练模型clf.fit(X_train, y_train)# 在测试集上进行预测y_pred = clf.predict(X_test)# 计算准确率accuracy = accuracy_score(y_test, y_pred)print("准确率：", accuracy)在上面的示例中，我们首先加载了一个内置的数据集iris，然后将数据集划分为训练集和测试集。接着创建了一个DecisionTreeClassifier对象clf，并在训练集上训练模型。最后对测试集进行预测，并计算准确率。
