1.导入预置的鸢尾花数据集,设置类别为y,特征为X； 2.设置30%的数据为测试集； 3.导入线性回归模型； 4.用线性回归模型拟合鸢尾花数据集； 5.用训练完的模型进行预测； 6.输出线性回归模型的斜率和截距。

在Python中，我们可以使用sklearn库来进行这个数据分析任务。以下是步骤：

1. 导入所需的库和数据集：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
import numpy as np

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

2. 设置测试集比例并分割数据：

test_size = 0.3
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=test_size, random_state=42)

这里`random_state`用于保证每次结果的一致性。

3. 创建线性回归模型：

model = LinearRegression()

4. 拟合数据到模型：

model.fit(X_train, y_train)

现在模型已经学习了数据中的模式。

5. 进行预测：

predictions = model.predict(X_test)

得到测试集的预测值。

6. 输出线性回归模型的斜率（系数）和截距（常数项）：

slope = model.coef_
intercept = model.intercept_

print("斜率:", slope)
print("截距:", intercept)

这就是完整的流程。线性回归在这里可能并不适合鸢尾花分类任务，因为它是连续变量的建模工具，而鸢尾花数据是分类问题，更适合用决策树、支持向量机等算法处理。