使用Python的scikit-learn库，编写一个程序来加载鸢尾花（Iris）数据集，训练一个逻辑回归模型，并对数据集中的某些样本进行预测。（每题40分，共40分）

首先，你需要安装`scikit-learn`库，如果你还没有安装，可以使用pip安装：

pip install scikit-learn`加载鸢尾花数据集，训练逻辑回归模型，并进行预测：

# 导入所需的库
from sklearn import datasets
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集
iris = datasets.load_iris()
X = iris.data # 特征数据
y = iris.target # 类别标签

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

# 创建并训练逻辑回归模型
logreg = LogisticRegression()
logreg.fit(X_train, y_train)

# 对测试集进行预测
y_pred = logreg.predict(X_test)

# 计算预测准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

# 对新样本进行预测
# 假设我们有新的样本数据 new_sample
new_sample = [5.1, 3.5, 1.4, 0.2] # 鸢尾花的四个特征值
prediction = logreg.predict([new_sample])
print("Prediction for new sample:", prediction)

在这个例子中，我们首先加载了鸢尾花数据集，然后将数据分为训练集和测试集。接着，我们创建了一个逻辑回归模型并对训练集进行了拟合。最后，我们利用模型对测试集进行预测，并评估了预测的准确性。