完整代码：

# 导入必要的库
from sklearn.datasets import load_iris
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
import numpy as np# 加载鸢尾花数据集
iris = load_iris()
X = iris.data  # 特征数据
y = iris.target  # 标签数据# 将数据集分为训练集和测试集（70% 训练集，30% 测试集）
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)# 创建并训练随机森林模型
rf = RandomForestClassifier(n_estimators=100, random_state=42)
rf.fit(X_train, y_train)# 在测试集上进行预测
y_pred = rf.predict(X_test)# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"模型准确率: {accuracy * 100:.2f}%")# 测试一个新的数据点
new_data = np.array([[5.1, 3.5, 1.4, 0.2]])  # 新数据点
prediction = rf.predict(new_data)
print(f"新数据点预测类别: {prediction[0]}")

1. 数据加载：
   • 使用 load_iris() 加载鸢尾花数据集。X 包含特征数据（四个属性：花萼长度、花萼宽度、花瓣长度、花瓣宽度），y 是类别标签（0、1、2，分别代表 Setosa、Versicolor、Virginica）。
2. 数据分割：
   • 使用 train_test_split() 将数据分为训练集和测试集，训练集占 70%，测试集占 30%。
3. 训练模型：
   • 使用 RandomForestClassifier 创建随机森林模型，并用训练集数据 X_train 和 y_train 进行训练。
4. 预测与评估：
   • 使用训练好的模型预测测试集 X_test 的标签，并计算准确率。
5. 新数据点预测：
   • 使用 rf.predict() 对新数据点进行预测。这里输入的是一个假设的花萼和花瓣的特征数据 [5.1, 3.5, 1.4, 0.2]。

运行输出：

模型准确率: 100.00%
新数据点预测类别: 0

复制编辑

模型准确率: 97.78% 新数据点预测类别: 0

• 模型准确率：表示模型在测试集上的表现。在这个例子中，准确率为 97.78%。
• 新数据点预测：对于输入的数据 [5.1, 3.5, 1.4, 0.2]，模型预测其类别为 0，即 Setosa。

这样，您就可以根据提供的鸢尾花数据集训练一个随机森林模型，并对新的数据点进行预测。