使用Logistic回归和线性SVM对鸢尾花数据集进行分类，要求给出代码和最高的结果。

在Python中，我们可以使用sklearn库中的`LogisticRegression`和`SVC`（支持向量机）来对鸢尾花（Iris）数据集进行分类。以下是使用这两个模型的一个简单示例：

首先，确保已经安装了所需的库，如果还没有，可以使用pip安装：

pip install scikit-learn pandas numpy

然后，加载数据并进行预处理（这里假设已有一个名为`iris`的pandas DataFrame，包含特征和标签）：

from sklearn import datasets
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

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

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

接下来，我们分别训练两个模型并计算它们在测试集上的准确率：

# Logistic Regression
logreg = LogisticRegression()
logreg.fit(X_train, y_train)
y_pred_logreg = logreg.predict(X_test)

# Linear SVM
svm = SVC(kernel='linear')  # 线性核是最简单的，也适合于这个问题
svm.fit(X_train, y_train)
y_pred_svm = svm.predict(X_test)

# 计算准确率
accuracy_logreg = accuracy_score(y_test, y_pred_logreg)
accuracy_svm = accuracy_score(y_test, y_pred_svm)

print(f"Logistic Regression Accuracy: {accuracy_logreg * 100:.2f}%")
print(f"SVM (Linear Kernel) Accuracy: {accuracy_svm * 100:.2f}%")

最后，通常线性SVM可能会有较高的准确率，因为鸢尾花数据集是线性可分的。不过这取决于具体的数据分布和参数选择。最高结果将取决于运行的具体情况。