iris分类 代码 前100数据的前两个特征 from sklearn.ensemble import AdaBoostClassifier from sklearn.tree import DecisionTreeClassifier

好的，以下是代码示例：

from sklearn.datasets import load_iris
from sklearn.ensemble import AdaBoostClassifier
from sklearn.tree import DecisionTreeClassifier

# 加载数据集并获取前100个数据的前两个特征
iris = load_iris()
X = iris.data[:100, :2]
y = iris.target[:100]

# 创建决策树分类器
dtc = DecisionTreeClassifier(max_depth=1)

# 创建AdaBoost分类器并拟合数据
abc = AdaBoostClassifier(base_estimator=dtc, n_estimators=50, learning_rate=1.0)
abc.fit(X, y)

# 预测新数据
new_data = [[5.1, 3.5], [4.9, 3.0]]
print(abc.predict(new_data))

解释一下代码：

1. 首先，我们使用 `load_iris()` 函数加载 iris 数据集。
2. 然后，我们只选择前100个数据的前两个特征（即第一列和第二列）。
3. 接着，我们创建一个深度为1的决策树分类器（即只有一个节点和两个叶子节点）。
4. 最后，我们使用 AdaBoost 分类器包装决策树分类器，并拟合数据。在这个例子中，我们使用50个决策树（即 `n_estimators=50`）和学习率为1.0（即 `learning_rate=1.0`）。
5. 最后，我们对两个新数据进行预测并输出结果。

希望这可以帮助到你！