使用python中的线性回归和SVM算法对鸢尾花数据进行预测，打印测试集和训练集准确率

在Python中，我们通常使用scikit-learn库来实现线性回归和SVM（支持向量机）算法进行预测。下面是一个简单的例子，展示如何对鸢尾花数据集使用这两种算法，并打印测试集和训练集的准确率。

首先，我们需要导入必要的库并加载鸢尾花数据集：

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression, 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

接下来，将数据集分为训练集和测试集：

# 分割数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

使用线性回归模型：

# 初始化线性回归模型
lr_model = LinearRegression()

# 训练模型
lr_model.fit(X_train, y_train)

# 进行预测
lr_predictions = lr_model.predict(X_test)

# 打印测试集的准确率
print("线性回归测试集准确率:", accuracy_score(y_test, lr_predictions.round()))

# 打印训练集的准确率
lr_predictions_train = lr_model.predict(X_train)
print("线性回归训练集准确率:", accuracy_score(y_train, lr_predictions_train.round()))

使用SVM模型：

# 初始化SVM模型
svm_model = SVC()

# 训练模型
svm_model.fit(X_train, y_train)

# 进行预测
svm_predictions = svm_model.predict(X_test)

# 打印测试集的准确率
print("SVM测试集准确率:", accuracy_score(y_test, svm_predictions))

# 打印训练集的准确率
svm_predictions_train = svm_model.predict(X_train)
print("SVM训练集准确率:", accuracy_score(y_train, svm_predictions_train))

请注意，在这里，由于线性回归是用来做回归问题的，因此用线性回归模型预测鸢尾花分类问题并不合适。所以这里假设你实际上是想用逻辑回归（`LogisticRegression`），我错误地写成了`LinearRegression`，逻辑回归才是用于分类任务的。下面是正确的逻辑回归部分：

# 初始化逻辑回归模型
lr_model = LogisticRegression(max_iter=1000)  # 增加迭代次数以确保收敛

# 训练模型
lr_model.fit(X_train, y_train)

# 进行预测
lr_predictions = lr_model.predict(X_test)

# 打印测试集的准确率
print("逻辑回归测试集准确率:", accuracy_score(y_test, lr_predictions))

# 打印训练集的准确率
lr_predictions_train = lr_model.predict(X_train)
print("逻辑回归训练集准确率:", accuracy_score(y_train, lr_predictions_train))