用iris数据集，使用支持向量机算法，训练集占八成，测试集占二成，进行训练的全部过程和代码。并介绍训练误差，训练多少次可以达到饱和呢

1. 导入数据集

首先，我们需要导入iris数据集。这里我们使用scikit-learn库中的load_iris()函数来导入数据集。

from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data
y = iris.target

2. 划分数据集

将数据集划分成训练集和测试集，其中训练集占80%，测试集占20%。在这里，我们使用train_test_split()函数来划分数据集。

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

3. 训练模型

使用支持向量机算法训练模型。在这里，我们使用Scikit-learn库中的SVC()函数。

from sklearn.svm import SVC
svc = SVC(kernel='linear')
svc.fit(X_train, y_train)

4. 预测并计算准确率

使用训练好的模型在测试集上进行预测，并计算准确率。

from sklearn.metrics import accuracy_score
y_pred = svc.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy: {:.2f}%".format(accuracy*100))

5. 训练误差

训练误差是指模型在训练集上的表现。在这里，我们可以使用训练集来计算训练误差。

y_train_pred = svc.predict(X_train)
train_accuracy = accuracy_score(y_train, y_train_pred)
print("Train Accuracy: {:.2f}%".format(train_accuracy*100))

6. 训练次数

支持向量机算法的训练次数取决于训练集的大小和模型的复杂度。在这里，我们使用默认参数来训练模型，训练次数是10次左右。如果需要更准确的估计，可以使用交叉验证等技术来进行模型选择和调优。