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%）并输出结果

好的，针对您的问题，我来为您解答。

首先，我们需要导入所需要的库和数据集。代码如下：

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

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

接着，我们将数据集划分为训练集和测试集，代码如下：

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

然后，我们分别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训练集进行训练，并在测试集上进行预测和评估。代码如下：

# 朴素贝叶斯算法
gnb = GaussianNB()
gnb.fit(X_train, y_train)
y_pred_gnb = gnb.predict(X_test)
acc_gnb = accuracy_score(y_test, y_pred_gnb)

# 决策树算法
dtc = DecisionTreeClassifier()
dtc.fit(X_train, y_train)
y_pred_dtc = dtc.predict(X_test)
acc_dtc = accuracy_score(y_test, y_pred_dtc)

# 随机森林算法
rfc = RandomForestClassifier()
rfc.fit(X_train, y_train)
y_pred_rfc = rfc.predict(X_test)
acc_rfc = accuracy_score(y_test, y_pred_rfc)

# KNN算法
knn = KNeighborsClassifier()
knn.fit(X_train, y_train)
y_pred_knn = knn.predict(X_test)
acc_knn = accuracy_score(y_test, y_pred_knn)

# 支持向量机
svm = SVC()
svm.fit(X_train, y_train)
y_pred_svm = svm.predict(X_test)
acc_svm = accuracy_score(y_test, y_pred_svm)

最后，我们输出各个算法在测试集上的准确率，并使用最优算法对新的鸢尾花进行分类。代码如下：

print("朴素贝叶斯算法的准确率为：", acc_gnb)
print("决策树算法的准确率为：", acc_dtc)
print("随机森林算法的准确率为：", acc_rfc)
print("KNN算法的准确率为：", acc_knn)
print("支持向量机的准确率为：", acc_svm)

new_flower = [[5.1, 3.5, 1.4, 0.2]]  # 假设新的鸢尾花的特征值为[5.1, 3.5, 1.4, 0.2]
new_flower_type = rfc.predict(new_flower)
print("新的鸢尾花的类型为：", iris.target_names[new_flower_type[0]])

运行上述代码，即可得到各个算法在测试集上的准确率和新的鸢尾花的类型。