创建3个分类模型，根据其他可用的列预测类别。

以下是一个使用Python中的sklearn库创建3个分类模型的示例代码：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.neighbors import KNeighborsClassifier
from sklearn.svm import SVC

# 加载数据集
data = pd.read_csv("data.csv")

# 分割特征和目标变量
X = data.drop("类别", axis=1)
y = data["类别"]

# 将数据集分割为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建决策树分类器
decision_tree = DecisionTreeClassifier()
decision_tree.fit(X_train, y_train)

# 创建K近邻分类器
knn = KNeighborsClassifier()
knn.fit(X_train, y_train)

# 创建支持向量机分类器
svm = SVC()
svm.fit(X_train, y_train)

# 测试模型性能
decision_tree_score = decision_tree.score(X_test, y_test)
knn_score = knn.score(X_test, y_test)
svm_score = svm.score(X_test, y_test)

print("决策树分类器得分：", decision_tree_score)
print("K近邻分类器得分：", knn_score)
print("支持向量机分类器得分：", svm_score)

在上述代码中，假设csv文件中的数据集具有以下列：'类别'列是目标变量，其他列是特征变量。代码首先导入所需的库，然后使用pd.read_csv函数加载数据集。接下来，数据集被分割为特征变量和目标变量。然后，使用train_test_split函数将数据集分割为训练集和测试集。接下来，使用DecisionTreeClassifier、KNeighborsClassifier和SVC分别创建决策树、K近邻和支持向量机分类器。然后，使用fit方法将训练集拟合到每个分类器上。最后，使用score方法计算每个分类器在测试集上的准确性得分。