任务二 将数据集进行划分（X需要将data中的success去掉，y则是只有success） 训练集和测试集划分为7：3，random_state设置为42 任务三 使用随机森林和支持向量机分别进行预测，要求准确率为1（任意一个模型都可以）

任务二中，你需要从原始数据集`data`中分离出特征（X）和目标变量（y）。特征X应该包括所有列除了'success'，因为我们要预测的就是'success'。目标变量y只包含'success'这一列。可以这样做：

X = data.drop('success', axis=1)
y = data['success']

# 划分训练集和测试集
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

任务三要求使用随机森林（Random Forest）和支持向量机（SVM）对'y_train'进行预测，并且要求准确率达到100%。在实际中，这几乎不可能，因为我们无法保证所有的样本都被准确预测，因为数据本身可能存在噪声，而且对于某些复杂的问题，完美预测几乎是不可能的。然而，我们可以尽量优化模型并接近最高可能的准确性。以下是使用这两个模型的基本步骤：

1. **随机森林**:

   from sklearn.ensemble import RandomForestClassifier
   rf_model = RandomForestClassifier(random_state=42)
   rf_model.fit(X_train, y_train)
   rf_pred = rf_model.predict(X_test)

   # 计算准确率
   rf_accuracy = accuracy_score(y_test, rf_pred)

2. **支持向量机**:

   from sklearn.svm import SVC
   svm_model = SVC(random_state=42)
   svm_model.fit(X_train, y_train)
   svm_pred = svm_model.predict(X_test)

   # 计算准确率
   svm_accuracy = accuracy_score(y_test, svm_pred)

请注意，真实世界中的准确率不会达到100%，因为这是理想化的假设，但在评估模型性能时，这些步骤将帮助我们了解模型的表现。