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。 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，这是一个关于机器学习分类的问题。对于这个问题，我们可以采用以下步骤：

1. 加载数据集并进行数据预处理，将数据集分为训练集和测试集。

2. 使用KNN算法和支持向量机对训练集进行训练，并记录评估性能。

3. 对测试集进行预测，并评估预测结果。

4. 最后，使用训练好的模型对新的鸢尾花进行分类预测。

以下是代码示例：

# 加载数据集
from sklearn.datasets import load_iris
iris_data = load_iris()
X = iris_data.data
y = iris_data.target

# 数据预处理
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)

# KNN算法
from sklearn.neighbors import KNeighborsClassifier
knn = KNeighborsClassifier(n_neighbors=3)
knn.fit(X_train, y_train)
knn_score = knn.score(X_test, y_test)
print("KNN算法得分：", knn_score)

# 支持向量机
from sklearn.svm import SVC
svm = SVC(kernel='rbf', gamma='scale')
svm.fit(X_train, y_train)
svm_score = svm.score(X_test, y_test)
print("支持向量机得分：", svm_score)

# 对新的鸢尾花进行分类预测
new_iris = [[5.1, 3.5, 1.4, 0.2]] # 例如，这里输入了一条新的鸢尾花数据
knn_prediction = knn.predict(new_iris)
svm_prediction = svm.predict(new_iris)
print("KNN算法预测结果：", knn_prediction)
print("支持向量机预测结果：", svm_prediction)

通过上述代码，我们可以训练出KNN算法和支持向量机模型，并对新的鸢尾花进行预测分类。