请写一段代码，生成或从sklearn.datasets中读取任意数据集（例如鸢尾花数据 iris ），完成模型的训练和测试。

好的，以下是生成 iris 数据集并训练模型的代码示例：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

# 加载 iris 数据集
iris = load_iris()

# 获取特征和标签
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=0.3, random_state=42)

# 训练 Logistic Regression 模型
model = LogisticRegression()
model.fit(X_train, y_train)

# 预测测试集的标签
y_pred = model.predict(X_test)

# 输出模型准确率
print("Accuracy: ", accuracy_score(y_test, y_pred))

这段代码首先从 `sklearn.datasets` 中加载 iris 数据集，并划分出训练集和测试集。然后使用 Logistic Regression 模型对训练集进行训练，并对测试集进行预测，最后使用准确率评估模型的性能。