悲观剪枝和乐观剪枝是两种不同的决策树剪枝方法。

悲观剪枝是在构建决策树时，每次都选择最悲观的情况来进行剪枝。具体步骤如下：

1. 使用训练数据构建完整的决策树。
2. 自底向上地对决策树的每个非叶子节点进行评估，计算该节点的剪枝前和剪枝后的准确率。
3. 如果剪枝后的准确率比剪枝前的准确率低，则进行剪枝操作，将该节点标记为叶子节点。

乐观剪枝则是在构建决策树时，每次都选择最乐观的情况来进行剪枝。具体步骤如下：

1. 使用训练数据构建完整的决策树。
2. 自底向上地对决策树的每个非叶子节点进行评估，计算该节点的剪枝前和剪枝后的准确率。
3. 如果剪枝后的准确率比剪枝前的准确率高，则进行剪枝操作，将该节点标记为叶子节点。

下面是一个使用Python实现的示例代码，展示了如何进行悲观剪枝和乐观剪枝：

from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# 加载鸢尾花数据集
iris = load_iris()
X = iris.data
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)

# 构建完整的决策树
clf = DecisionTreeClassifier()
clf.fit(X_train, y_train)

# 悲观剪枝
pessimistic_clf = DecisionTreeClassifier()
pessimistic_clf.fit(X_train, y_train)
pessimistic_clf.prune(pessimistic=True)

# 乐观剪枝
optimistic_clf = DecisionTreeClassifier()
optimistic_clf.fit(X_train, y_train)
optimistic_clf.prune(optimistic=True)

上述代码使用了scikit-learn库中的DecisionTreeClassifier类来构建决策树，并且使用了训练集数据进行训练。然后，通过调用prune方法进行剪枝操作，设置pessimistic=True进行悲观剪枝，设置optimistic=True进行乐观剪枝。