要代码以及结果视图使用支持向量机算法判断学员的Python水平(使用课本数据)；2)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。分别朴素贝叶斯算法、决策树算法、随机森林算法、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，我可以帮你解决这些问题。首先是第一个问题，使用支持向量机算法判断学员的Python水平。

为了实现这个任务，我们需要使用一个Python数据集来训练支持向量机模型，并使用该模型来预测新的数据点。我们可以使用Python数据集中的一些特征来决定学员的Python水平。

以下是使用支持向量机算法判断学员Python水平的示例代码：

# 导入所需的库
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 加载数据集
data = datasets.load_iris()

# 获取特征和标签
X = data.data
y = data.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)

# 创建支持向量机模型
model = SVC(kernel='linear', C=1)

# 训练模型
model.fit(X_train, y_train)

# 预测测试集的结果
y_pred = model.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)

print("Accuracy:", accuracy)

在这个示例中，我们使用了sklearn库中的iris数据集。我们使用train_test_split函数将数据集划分为70%的训练集和30%的测试集。我们使用SVC来创建支持向量机模型，并使用linear kernel和C值为1来训练模型。然后，我们使用predict函数来预测测试集的结果，并使用accuracy_score函数计算准确率。

接下来是第二个问题，使用朴素贝叶斯算法、决策树算法、随机森林算法、KNN算法和支持向量机对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。

以下是使用这些算法对鸢尾花数据进行分类的示例代码：

# 导入所需的库
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.neighbors import KNeighborsClassifier
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 加载数据集
data = load_iris()

# 获取特征和标签
X = data.data
y = data.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)

# 创建朴素贝叶斯模型
nb_model = GaussianNB()

# 训练朴素贝叶斯模型
nb_model.fit(X_train, y_train)

# 预测测试集的结果
nb_y_pred = nb_model.predict(X_test)

# 计算准确率
nb_accuracy = accuracy_score(y_test, nb_y_pred)

print("Naive Bayes Accuracy:", nb_accuracy)

# 创建决策树模型
dt_model = DecisionTreeClassifier()

# 训练决策树模型
dt_model.fit(X_train, y_train)

# 预测测试集的结果
dt_y_pred = dt_model.predict(X_test)

# 计算准确率
dt_accuracy = accuracy_score(y_test, dt_y_pred)

print("Decision Tree Accuracy:", dt_accuracy)

# 创建随机森林模型
rf_model = RandomForestClassifier()

# 训练随机森林模型
rf_model.fit(X_train, y_train)

# 预测测试集的结果
rf_y_pred = rf_model.predict(X_test)

# 计算准确率
rf_accuracy = accuracy_score(y_test, rf_y_pred)

print("Random Forest Accuracy:", rf_accuracy)

# 创建KNN模型
knn_model = KNeighborsClassifier()

# 训练KNN模型
knn_model.fit(X_train, y_train)

# 预测测试集的结果
knn_y_pred = knn_model.predict(X_test)

# 计算准确率
knn_accuracy = accuracy_score(y_test, knn_y_pred)

print("KNN Accuracy:", knn_accuracy)

# 创建支持向量机模型
svm_model = SVC(kernel='linear', C=1)

# 训练支持向量机模型
svm_model.fit(X_train, y_train)

# 预测测试集的结果
svm_y_pred = svm_model.predict(X_test)

# 计算准确率
svm_accuracy = accuracy_score(y_test, svm_y_pred)

print("SVM Accuracy:", svm_accuracy)

# 预测新的数据点
new_data_point = [[5.1, 3.5, 1.4, 0.2]]
print("New data point prediction:")
print("Naive Bayes:", nb_model.predict(new_data_point))
print("Decision Tree:", dt_model.predict(new_data_point))
print("Random Forest:", rf_model.predict(new_data_point))
print("KNN:", knn_model.predict(new_data_point))
print("SVM:", svm_model.predict(new_data_point)))

在这个示例中，我们使用了sklearn库中的iris数据集。我们使用train_test_split函数将数据集划分为70%的训练集和30%的测试集。我们使用GaussianNB、DecisionTreeClassifier、RandomForestClassifier、KNeighborsClassifier和SVC来创建朴素贝叶斯、决策树、随机森林、KNN和支持向量机模型，并分别使用训练集训练这些模型。然后，我们使用predict函数来预测测试集的结果，并使用accuracy_score函数计算准确率。最后，我们使用这些模型中的一个来预测新的数据点的结果。

这些示例代码应该可以帮助你解决你的问题。如果你有其他的问题或需要进一步的帮助，请随时问我。