本关任务：你需要调用sklearn中的支持向量机模型，并通过鸢尾花数据集中鸢尾花的2种属性与种类对支持向量机模型进行训练。我们会调用你训练好的支持向量机模型，来对未知的鸢尾花进行分类。

本关任务涉及到使用Python的数据科学库sklearn来进行机器学习实践，特别是支持向量机（SVM）。首先，你需要做的是导入必要的库，如`sklearn`、`numpy`和`pandas`。然后，你可以按照以下步骤操作：

1. **加载数据**：从sklearn的内置数据集`iris`中加载鸢尾花数据，这是一个经典的多分类问题。

   from sklearn import datasets
   iris = datasets.load_iris()
   X = iris.data[:, :2]  # 取前两个特征列
   y = iris.target

2. **数据预处理**：将数据划分为训练集和测试集，通常可以使用`train_test_split`函数。

   from sklearn.model_selection import train_test_split
   X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

3. **创建SVM模型**：选择一个合适的核函数（如线性、多项式或径向基函数RBF），并实例化支持向量机。

   from sklearn.svm import SVC
   model = SVC(kernel='rbf')  # 使用RBF核作为示例

4. **训练模型**：使用训练数据拟合模型。

   model.fit(X_train, y_train)

5. **评估模型**：使用测试集检查模型性能，例如计算准确率。

   from sklearn.metrics import accuracy_score
   y_pred = model.predict(X_test)
   accuracy = accuracy_score(y_test, y_pred)
   print(f"Accuracy: {accuracy}")

6. **预测未知鸢尾花**：最后，如果你有新的鸢尾花样本，可以调用`predict`方法进行分类。