编写程序，使用sklearn实现svr，使用标准数据集

在Python中，可以使用scikit-learn (sklearn) 库中的`SVR`（支持向量回归）来创建和训练预测模型。这里是一个简单的例子，展示如何使用sklearn的`SVR`类，并加载经典的鸢尾花数据集 (`iris`) 进行线性回归：

# 导入所需的库
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVR
from sklearn.metrics import mean_squared_error

# 加载鸢尾花数据集
iris = datasets.load_iris()
X = iris.data[:, :2]  # 只取前两个特征进行简化处理（你可以选择任意两个）
y = iris.target

# 数据预处理，标准化数值特征
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42)

# 创建SVR实例，设置默认参数
svr = SVR(kernel='linear')  # 使用线性内核

# 训练模型
svr.fit(X_train, y_train)

# 预测
y_pred = svr.predict(X_test)

# 计算均方误差作为评估指标
mse = mean_squared_error(y_test, y_pred)
print("Mean Squared Error:", mse)

#