第三部分： 1、利用 sklearn 获得数据集提取，并利用 matplotlib 对数据进行显示； 2、按照一定比例，把数据集划分测试集与测试集； 3、利用贝叶斯算法实现分类，并统计测试集错误率

好的，让我们从第一步开始。

1. 利用 sklearn 获得数据集提取，并利用 matplotlib 对数据进行显示

首先，我们需要安装 scikit-learn 和 matplotlib 库。你可以通过以下命令来安装：

pip install -U scikit-learn matplotlib

接下来，我们需要加载鸢尾花数据集，并对其进行可视化。鸢尾花数据集是一个常用的分类问题数据集，其中包含了 150 个样本，每个样本有 4 个特征（花萼长度、花萼宽度、花瓣长度、花瓣宽度），以及 3 个类别（山鸢尾、变色鸢尾、维吉尼亚鸢尾）。

以下是代码实现：

from sklearn.datasets import load_iris
import matplotlib.pyplot as plt

# 加载数据集
iris = load_iris()

# 获取特征和标签
X = iris.data
y = iris.target

# 可视化数据
plt.scatter(X[:, 0], X[:, 1], c=y)
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.show()

运行上述代码后，会显示一个散点图，其中不同颜色的点表示不同的类别，横轴表示花萼长度，纵轴表示花萼宽度。你可以根据需要修改横轴和纵轴的特征，以及颜色的映射方式。

2. 按照一定比例，把数据集划分测试集与测试集

接下来，我们需要将数据集划分为训练集和测试集。通常情况下，我们会将数据集按照一定比例随机划分为两部分，一部分用于训练模型，另一部分用于测试模型的准确性。

以下是代码实现：

from sklearn.model_selection import train_test_split

# 将数据集按照 7:3 的比例划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

在上述代码中，`train_test_split` 函数将数据集按照 7:3 的比例划分成训练集和测试集。参数 `test_size` 指定了测试集所占的比例，`random_state` 则用于指定随机种子，以便实现可重复的结果。

3. 利用贝叶斯算法实现分类，并统计测试集错误率

最后，我们需要使用贝叶斯算法对数据进行分类，并统计测试集错误率。贝叶斯算法是一种基于概率统计的分类方法，其核心思想是利用贝叶斯定理来计算后验概率，并选择具有最大后验概率的类别作为预测结果。

以下是代码实现：

from sklearn.naive_bayes import GaussianNB
from sklearn.metrics import accuracy_score

# 创建贝叶斯分类器
clf = GaussianNB()

# 在训练集上拟合模型
clf.fit(X_train, y_train)

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

# 计算测试集错误率
accuracy = accuracy_score(y_test, y_pred)
error_rate = 1 - accuracy

print('测试集错误率：', error_rate)

在上述代码中，我们首先使用 `GaussianNB` 类创建了一个贝叶斯分类器，并在训练集上拟合了模型。然后，我们使用 `predict` 方法对测试集进行预测，并使用 `accuracy_score` 函数计算了测试集的准确率。最后，我们通过准确率计算出了测试集的错误率。

至此，我们已经完成了对鸢尾花数据集的分类任务。你可以根据需要修改数据集、模型和评估指标，以适应不同的应用场景。