1) 使用支持向量机算法判断学员的Python水平(使用课本数据)。 2) Iris也称鸢尾花卉数据集（使用sklearn自带的数据集），它共有4个属性列和一个品种类别列：sepal length（萼片长度）、sepal width（萼片宽度）、petal length（花瓣长度）、petal width （花瓣宽度），单位都是厘米。3个品种类别（Setosa(山鸢尾)，Versicolour(杂色鸢尾)，Virginica(维吉尼亚鸢尾)），样本数量150个，每类50个。分别朴素贝叶斯算法、决策树算法、随机森林算法、KNN算法和支持向量机对大量的鸢尾花数据进行分类训练，并比较这几种算法的评估性能，最后识别新的鸢尾花是什么类型。（要求训练集70%，测试集30%）

好的，这是一个机器学习相关的问题。我可以为您提供一些思路和代码示例。

首先，我们需要导入相关的库和数据集：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.naive_bayes import GaussianNB
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score

# 加载Iris数据集
iris = load_iris()
X, y = iris.data, 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)

接下来，我们可以使用支持向量机算法来判断学员的Python水平。首先，我们需要将课本数据转换成特征向量，然后使用支持向量机进行分类训练和预测。

# 构造课本数据
book_data = [
    {'hours': 1, 'difficulty': 4, 'level': 'beginner'},
    {'hours': 5, 'difficulty': 7, 'level': 'intermediate'},
    {'hours': 10, 'difficulty': 10, 'level': 'advanced'},
    {'hours': 20, 'difficulty': 8, 'level': 'advanced'},
    {'hours': 30, 'difficulty': 6, 'level': 'expert'}
]

# 将课本数据转换成特征向量
book_X = [[d['hours'], d['difficulty']] for d in book_data]
book_y = [d['level'] for d in book_data]

# 使用支持向量机进行分类训练和预测
svm = SVC()
svm.fit(book_X, book_y)
prediction = svm.predict([[15, 9]])  # 使用15个小时，难度为9的数据进行预测
print(prediction)  # 输出预测结果

接下来，我们可以使用朴素贝叶斯算法、决策树算法、随机森林算法、KNN算法和支持向量机对Iris数据集进行分类训练，并比较这几种算法的评估性能。

# 定义分类器
classifiers = {
    'Naive Bayes': GaussianNB(),
    'Decision Tree': DecisionTreeClassifier(),
    'Random Forest': RandomForestClassifier(n_estimators=100),
    'KNN': KNeighborsClassifier(),
    'SVM': SVC(kernel='linear')
}

# 训练和测试分类器，并输出评估性能
for name, clf in classifiers.items():
    clf.fit(X_train, y_train)
    y_pred = clf.predict(X_test)
    accuracy = accuracy_score(y_test, y_pred)
    print(f'{name}: {accuracy:.2f}')

最后，我们可以使用训练好的分类器来识别新的鸢尾花是什么类型。

# 使用训练好的分类器来识别新的鸢尾花是什么类型
new_sample = [[5.1, 3.5, 1.4, 0.2]]
clf = RandomForestClassifier(n_estimators=100)
clf.fit(X, y)
prediction = clf.predict(new_sample)
print(prediction)

希望这些代码可以帮助您完成相关任务。