基于逻辑回归的鸢尾花分类 .将数据集分隔为训练集和测试集（采用分层采样法） from sklearn.model_selection import train_test_split train_test_split（）函数设置要包含分层采样设置

基于逻辑回归的鸢尾花分类通常用于二分类或多分类任务，比如经典的鸢尾花数据集(Iris dataset)，其中包含了三种鸢尾花的不同品种。为了评估模型的性能并防止过拟合，我们会把数据划分为训练集和测试集。在这个过程中，我们可以使用`sklearn`库的`train_test_split`函数来完成。

首先，你需要导入所需的模块和数据：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression

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

# 分层采样是为了保持各类别在训练集和测试集中比例一致
stratify = y  # 设置分层采样的依据为类别标签

# 划分训练集和测试集，test_size设定为0.3（例如）表示30%的数据作为测试集，70%作为训练集
X_train, X_test, y_train, y_test = train_test_split(X, stratify, test_size=0.3, random_state=42, shuffle=True)

这里的`random_state`是一个可选参数，用于确保每次划分结果的一致性。`shuffle=True`意味着数据会被随机打乱再分割。

接下来，你可以用`LogisticRegression()`创建一个逻辑回归模型，并在训练集上训练它：

model = LogisticRegression()
model.fit(X_train, y_train)

最后，你可以用测试集评估模型的表现：

predictions = model.predict(X_test)