Python 监督分类：使用 scikit-learn 实现鸢尾花分类

在 Python 中，可以使用多种机器学习库来实现监督分类，例如 scikit-learn 和 TensorFlow。以下是一个使用 scikit-learn 库实现监督分类的示例，以著名的鸢尾花数据集为例。

首先，需要安装 scikit-learn 库，可以使用以下命令进行安装：

pip install scikit-learn

然后，可以使用以下代码来实现监督分类：

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score

# 加载数据集
iris = datasets.load_iris()
X = iris.data  # 特征
y = iris.target  # 标签

# 将数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建分类器
knn = KNeighborsClassifier(n_neighbors=3)

# 在训练集上训练分类器
knn.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = knn.predict(X_test)

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

上述代码中，首先使用 datasets.load_iris() 加载鸢尾花数据集，然后将特征和标签分别赋值给变量 X 和 y。接着，使用 train_test_split 函数将数据集划分为训练集和测试集，其中 test_size 参数指定了测试集的比例。然后，创建一个 KNeighborsClassifier 分类器，并使用训练集对其进行训练。最后，使用训练好的分类器对测试集进行预测，并使用 accuracy_score 函数计算准确率。

注意：以上代码仅仅是一个示例，实际应用中可能需要根据具体情况进行调整和优化。