采用sklearn库的支持向量机算法对iris数据集进行分类，并和例子中采用KNN分类器的分类效果进行比较

好的，我们可以使用sklearn库中的SVC类来实现支持向量机算法对iris数据集进行分类。同时，我们还可以使用KNN分类器来进行比较。

下面是实现代码：

# 导入必要的库
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score

# 加载数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 构建SVM模型
svm_model = SVC(kernel='linear', C=1)

# 训练SVM模型
svm_model.fit(X_train, y_train)

# 预测测试集
svm_y_pred = svm_model.predict(X_test)

# 计算SVM准确率
svm_accuracy = accuracy_score(y_test, svm_y_pred)
print("SVM Accuracy: {:.2f}%".format(svm_accuracy * 100))

# 构建KNN模型
knn_model = KNeighborsClassifier(n_neighbors=3)

# 训练KNN模型
knn_model.fit(X_train, y_train)

# 预测测试集
knn_y_pred = knn_model.predict(X_test)

# 计算KNN准确率
knn_accuracy = accuracy_score(y_test, knn_y_pred)
print("KNN Accuracy: {:.2f}%".format(knn_accuracy * 100))

在这里，我们首先加载了iris数据集，然后将数据集分为训练集和测试集。接着，我们构建了SVM和KNN模型，并对它们进行了训练和预测。

最后，我们计算了SVM和KNN模型的准确率，并将它们进行了比较。你可以自己运行代码来查看结果。