鸢尾花数据分成两个类别代码

鸢尾花数据集（Iris dataset），通常用于机器学习入门教程，它包含了三种鸢尾花的不同品种（Setosa、Versicolour 和 Virginica）的测量数据。在Python的Scikit-learn库中，你可以使用`sklearn.datasets.load_iris()`函数加载这个数据集。

如果你想要将鸢尾花数据分为两个类别进行分类任务，比如二分类，你需要先选择两种鸢尾花作为类别，例如Setosa和Versicolour。然后，可以使用支持向量机（SVM）、决策树、随机森林等算法训练模型。以下是简单的步骤：

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC

# 加载鸢尾花数据
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 选择两类（假设第一类是Setosa，第二类是Versicolour）
binary_y = (y == 0) + (y == 1)  # 将标签转为二进制形式，0 for Setosa, 1 for Versicolour

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

# 数据预处理（标准化）
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# 使用SVM进行二分类
clf = SVC(kernel='linear')  # 可以尝试不同的核函数
clf.fit(X_train, y_train)

# 预测并评估性能
predictions = clf.predict(X_test)

完成以上步骤后，你会得到一个二分类模型，并可以计算准确率、精确率、召回率等指标来评估模型性能。