本关任务：你需要调用sklearn中的Adaboost模型，并通过鸢尾花数据集中鸢尾花的2种属性与种类对Adaboost模型进行训练。我们会调用你训练好的Adaboost模型，来对未知的鸢尾花进行分类

好的，以下是使用Adaboost模型对鸢尾花数据集进行分类的示例代码：

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

# 加载鸢尾花数据集
iris = load_iris()

# 只使用鸢尾花的两个属性
X = iris.data[:, [2, 3]]
y = iris.target

# 将数据集拆分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

# 创建一个决策树分类器
dt = DecisionTreeClassifier(max_depth=1)

# 创建一个Adaboost分类器，将决策树分类器作为弱分类器
ada = AdaBoostClassifier(base_estimator=dt, n_estimators=500, learning_rate=0.1, random_state=0)

# 训练模型
ada.fit(X_train, y_train)

# 对测试集进行预测
y_pred = ada.predict(X_test)

# 计算准确率
acc = accuracy_score(y_test, y_pred)
print('Accuracy:', acc)

在示例代码中，我们只使用鸢尾花数据集中的两个属性来进行分类，即花瓣长度和宽度。我们先使用train_test_split()方法将数据集拆分为训练集和测试集，然后创建一个决策树分类器，并将其作为弱分类器传入Adaboost分类器中。在训练Adaboost模型时，我们指定了弱分类器的数量为500，学习率为0.1。最后，我们使用predict()方法对测试集进行预测，并计算准确率。

注意，本示例代码中的准确率和实际结果可能会有所不同，因为训练集和测试集的随机划分可能会影响结果。