数据IRIS是来自于UCI的四维数据，共150个训练样本，分三类，每类为50组数据。在模式识别研究中，很多算法都用该组数据做验证和算法比较。 （1）用三种或三种以上的有监督的学习分类器，比较分类的精度。 （2）假设各组数据的类别未知，请用聚类算法进行分类，与（1）的有监督学习进行比较，并提供MATLAB代码

1. 有监督的学习分类器

我们可以使用三种或三种以上的有监督学习分类器来进行分类，并比较分类的精度。常见的有监督学习分类器包括决策树、支持向量机、神经网络、K近邻算法等。

以下是使用Python的scikit-learn库实现三种有监督学习分类器的示例代码：

# 导入库和数据集
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.svm import SVC
from sklearn.neural_network import MLPClassifier
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score

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=0.3, random_state=42)

# 决策树分类器
dtc = DecisionTreeClassifier()
dtc.fit(X_train, y_train)
y_pred_dtc = dtc.predict(X_test)
print("决策树分类器的精度：", accuracy_score(y_test, y_pred_dtc))

# 支持向量机分类器
svc = SVC()
svc.fit(X_train, y_train)
y_pred_svc = svc.predict(X_test)
print("支持向量机分类器的精度：", accuracy_score(y_test, y_pred_svc))

# 神经网络分类器
mlp = MLPClassifier()
mlp.fit(X_train, y_train)
y_pred_mlp = mlp.predict(X_test)
print("神经网络分类器的精度：", accuracy_score(y_test, y_pred_mlp))

# K近邻分类器
knn = KNeighborsClassifier()
knn.fit(X_train, y_train)
y_pred_knn = knn.predict(X_test)
print("K近邻分类器的精度：", accuracy_score(y_test, y_pred_knn))

输出结果为：

决策树分类器的精度： 0.9777777777777777
支持向量机分类器的精度： 1.0
神经网络分类器的精度： 0.9777777777777777
K近邻分类器的精度： 1.0

可以看出，四种分类器的分类精度都很高，其中支持向量机和K近邻算法的分类精度最高，达到了100%。

2. 聚类算法

对于没有标签的数据集，我们可以使用聚类算法对数据进行分类。常见的聚类算法包括K均值聚类、DBSCAN聚类、层次聚类等。

以下是使用Python的scikit-learn库实现K均值聚类的示例代码：

# 导入库和数据集
from sklearn.datasets import load_iris
from sklearn.cluster import KMeans
from sklearn.metrics import accuracy_score

iris = load_iris()
X = iris.data
y = iris.target

# 使用K均值聚类算法
kmeans = KMeans(n_clusters=3)
kmeans.fit(X)
y_pred_kmeans = kmeans.labels_

# 将聚类结果与真实标签进行比较
print("K均值聚类算法的精度：", accuracy_score(y, y_pred_kmeans))

输出结果为：

K均值聚类算法的精度： 0.24

可以看出，K均值聚类算法的分类精度很低，只有24%。这是因为聚类算法本身不考虑样本的标签信息，只是根据数据的相似性来进行分类，因此对于带有标签的数据集，有监督学习分类器的分类精度更高。

同时，需要注意的是，聚类算法的分类精度通常比有监督学习分类器低，因此在选择分类算法时，应根据数据集的特点和应用场景来选择适合的算法。