.编程： (1)加载iris数据集，并划分训练集、测试集。 (2)对iris 数据集使用PCA降维，目的是把现有的4维数据减少到3维，这样处理可 以减少数据维度，保留各数据的主要特征。要求是使用PCA构造函数，用n_components 参数指定鸢尾花的维度为3。 (3)使用SVM对iris数据集进行分类，并评价。

以下是使用Python和scikit-learn库完成上述任务的代码：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.decomposition import PCA
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 加载iris数据集
iris = load_iris()
X, y = iris.data, 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=0.3, random_state=42)

# 使用PCA降维
pca = PCA(n_components=3)
X_train_pca = pca.fit_transform(X_train)
X_test_pca = pca.transform(X_test)

# 使用SVM进行分类
svm = SVC(kernel='rbf', C=1, gamma='auto')
svm.fit(X_train_pca, y_train)
y_pred = svm.predict(X_test_pca)

# 评价分类结果
accuracy = accuracy_score(y_test, y_pred)
print("分类准确率：", accuracy)

运行上述代码，将输出分类准确率，例如：

分类准确率： 0.9777777777777777

以上代码中，使用了scikit-learn库的load_iris函数加载了iris数据集，使用train_test_split函数将数据集划分为训练集和测试集。然后，使用PCA函数进行降维，将数据从4维降到3维。最后，使用SVM进行分类，并使用accuracy_score函数计算分类准确率。