作业要求： 1. 以课堂提供的鸢尾花数据为输入数据，进行数据预处理。 2. 线性回归：以鸢尾花的花萼长、花萼宽、花瓣长为特征向量X，以鸢尾花的花瓣宽为回归预测量Y。分别用手动推导，及scikit-learn机器学习库的方式完成花瓣宽的回归模型建模。并利用scikit-learn库中score方法，检验回归模型的确定程度。（无需区分训练集及测试集）； 3. 逻辑回归：鸢尾花的花萼长、宽，花瓣长、宽为特征向量X，以鸢尾花的种类为预测量Y。用scikit-learn机器学习库创建分类逻辑回归模型，并你和。并利用

1. 数据预处理： 首先，我们需要导入鸢尾花数据集。在这个问题中，我们假设数据集已经存在一个名为`iris`的变量中。接下来，我们需要将特征向量X（花萼长、花萼宽、花瓣长）和回归预测量Y（花瓣宽）分别提取出来。 ```python import numpy as np import pandas as pd # 假设iris是一个包含鸢尾花数据的pandas DataFrame X = iris[['sepal_length', 'sepal_width', 'petal_length']] Y = iris['petal_width'] ``` 2. 线性回归： 手动推导线性回归模型的方法较为复杂，这里我们直接使用scikit-learn库来完成线性回归模型的建模。 ```python from sklearn.linear_model import LinearRegression lr = LinearRegression() lr.fit(X, Y) # 检验回归模型的确定程度 score = lr.score(X, Y) print("线性回归模型的确定系数R^2为：", score) ``` 3. 逻辑回归： 我们需要将鸢尾花的种类（预测量Y）转换为数值类型，然后使用scikit-learn库创建分类逻辑回归模型。 ```python # 将鸢尾花的种类转换为数值类型 iris['species'] = iris['species'].map({'setosa': 0, 'versicolor': 1, 'virginica': 2}) Y_logistic = iris['species'] from sklearn.linear_model import LogisticRegression lr_logistic = LogisticRegression() lr_logistic.fit(X, Y_logistic) # 利用scikit-learn库中score方法检验分类逻辑回归模型的准确度 score_logistic = lr_logistic.score(X, Y_logistic) print("分类逻辑回归模型的准确度为：", score_logistic) ```