决策树回归在训练集上达到了100%的准确率，但在测试集上失败。

在决策树回归模型中，训练集上达到100%的准确率，但在测试集上失败，这说明模型可能出现了过拟合。

过拟合是指模型在训练集上表现良好，但在未见过的数据上表现较差的现象。为了解决过拟合问题，可以采取以下方法：

1. 剪枝：决策树的剪枝是一种减少决策树复杂度的方法。可以通过限制决策树的最大深度、叶子节点的最小样本数量等方式来减少过拟合。

2. 增加样本量：通过增加训练集的样本数量，可以更好地捕捉数据的分布特征，减少过拟合的可能性。

3. 特征选择：考虑对特征进行筛选，选择对目标变量有更强相关性的特征，可以减少决策树的复杂度，从而降低过拟合的风险。

下面是一个使用剪枝方法解决过拟合问题的决策树回归模型的示例代码：

from sklearn.tree import DecisionTreeRegressor
from sklearn.model_selection import train_test_split

# 假设X为特征数据，y为目标变量
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建决策树回归模型
model = DecisionTreeRegressor(max_depth=3)  # 设置最大深度为3

# 在训练集上训练模型
model.fit(X_train, y_train)

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

# 计算模型在测试集上的准确率
accuracy = model.score(X_test, y_test)
print("准确率：", accuracy)

通过设置最大深度来限制决策树的复杂度，可以一定程度上减少过拟合的问题。根据实际情况，可以调整最大深度的数值，选择一个适合的值。