鸢尾花数据集不用机器学习的库

鸢尾花数据集是一个经典的机器学习数据集，通常用于分类问题。如果不使用机器学习库，可以使用Python中的标准库进行分类。

以下是一种基于统计学原理的简单分类方法：

1. 首先，将数据集分为训练集和测试集。
2. 对于每个特征，计算训练集中该特征的平均值和标准差。
3. 对于测试集中的每个样本，计算其与训练集中所有类别的距离，并将其分配给距离最近的类别。
4. 计算分类的准确率。

以下是一份伪代码示例：

# 导入数据集
iris = load_iris()

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3)

# 计算每个特征的平均值和标准差
means = np.mean(X_train, axis=0)
stds = np.std(X_train, axis=0)

# 对测试集中的每个样本进行分类
predictions = []
for sample in X_test:
    distances = []
    for i in range(len(X_train)):
        d = np.sum((sample - X_train[i])**2)
        distances.append((d, y_train[i]))
    distances.sort()
    nearest = distances[0][1]
    predictions.append(nearest)

# 计算分类准确率
accuracy = accuracy_score(y_test, predictions)

需要注意的是，这种方法只适用于简单的数据集，对于更复杂的数据集，通常需要使用更高级的机器学习算法来获得更好的结果。