使用Scikit-Learn构建一个简单的分类模型，对给定的数据集进行训练和评估。

使用Scikit-Learn构建一个简单的分类模型通常包括以下几个步骤：数据预处理、模型选择、训练模型、评估模型。下面是一个简单的示例，展示如何使用Scikit-Learn构建一个逻辑回归分类器来处理鸢尾花（Iris）数据集。

1. 首先，需要导入必要的库和数据集：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

2. 加载数据集，并将数据集分为特征（X）和目标标签（y）：

iris = load_iris()
X = iris.data
y = iris.target

3. 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=0.2, random_state=42)

4. 选择模型并进行实例化，这里选择逻辑回归模型：

model = LogisticRegression(max_iter=200)

5. 使用训练集对模型进行训练：

model.fit(X_train, y_train)

6. 使用测试集评估模型的性能：

y_pred = model.predict(X_test)
print("模型准确率：", accuracy_score(y_test, y_pred))