本项目基于经典的鸢尾花数据集，采用Python构建决策树分类模型并实现可视化分析。通过数据预处理（标准化、标签编码）和探索性分析（类别分布、特征相关性），建立决策树模型，准确率达96.67%。直观展示基于花瓣/花萼特征的关键决策路径。项目涵盖数据清洗、特征工程、建模评估全流程，突出可视化在模型解释中的重要作用。
1. 项目概述
1.1 背景
鸢尾花分类是机器学习领域的经典问题，常用于模式识别和分类算法教学。决策树模型因其直观易懂、可解释性强等特点，成为分类任务的首选算法之一。本项目通过Python实现从数据预处理到模型可视化的全流程，为初学者提供完整的机器学习实践案例，同时展示如何通过可视化手段增强模型解释性。
1.2 数据介绍
数据集包含百条鸢尾花样本，每个样本有4个特征：
-
花萼长度（sepal_length）
-
花萼宽度（sepal_width）
-
花瓣长度（petal_length）
-
花瓣宽度（petal_width）
2. 数据预处理
2.1 数据转换
使用
