（1）给定数据集：iris_2_3.txt，用random.shuffle()函数随机排列数据集顺序，将前80个样本做训练集，后20个样本做测试集，用adaboost分类器，按照迭代次数分别是5、10、15、20、25、30分别训练样本并求出测试样本的准确率。

好的，我理解了你的问题。首先需要导入必要的库和数据：

import random
from sklearn.ensemble import AdaBoostClassifier
from sklearn.datasets import load_iris
from sklearn.metrics import accuracy_score

# 加载数据集
iris = load_iris()
X, y = iris.data, iris.target

# 随机打乱数据集顺序
random.seed(42)
random.shuffle(X)
random.seed(42)
random.shuffle(y)

# 划分数据集
X_train, y_train = X[:80], y[:80]
X_test, y_test = X[80:], y[80:]

接下来，我们可以训练和测试Adaboost分类器，并记录每个迭代次数的准确率。

# 记录每个迭代次数的准确率
accuracies = []

# 循环迭代次数
for n_estimators in [5, 10, 15, 20, 25, 30]:
    # 初始化Adaboost分类器
    clf = AdaBoostClassifier(n_estimators=n_estimators)

    # 训练模型
    clf.fit(X_train, y_train)

    # 预测测试集
    y_pred = clf.predict(X_test)

    # 计算准确率并记录
    acc = accuracy_score(y_test, y_pred)
    accuracies.append(acc)

    print("迭代次数为{}时，测试集准确率为{:.2f}%".format(n_estimators, acc * 100))

最后，我们可以将每个迭代次数的准确率绘制成图表，以便更直观地比较它们。

import matplotlib.pyplot as plt

# 绘制准确率图表
plt.plot([5, 10, 15, 20, 25, 30], accuracies)
plt.xlabel("迭代次数")
plt.ylabel("准确率")
plt.title("Adaboost分类器不同迭代次数下的准确率")
plt.show()

这样就完成了Adaboost分类器在不同迭代次数下的训练和测试。如果你有任何疑问，请随时问我。