以下是一个简单的机器学习代码示例（使用Python的scikit-learn库实现鸢尾花分类）：

# 导入必要的库
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

# 1. 加载数据集
iris = load_iris()
X = iris.data  # 特征（花瓣/花萼的长度宽度）
y = iris.target  # 目标变量（三种鸢尾花）

# 2. 划分训练集和测试集（80%训练，20%测试）
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42)

# 3. 创建决策树分类器
model = DecisionTreeClassifier(max_depth=3)

# 4. 训练模型
model.fit(X_train, y_train)

# 5. 预测测试集
y_pred = model.predict(X_test)

# 6. 评估模型准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"模型准确率: {accuracy:.2f}")

# 示例预测新数据
new_sample = [[5.1, 3.5, 1.4, 0.2]]  # 新花朵的特征数据
prediction = model.predict(new_sample)
print(f"预测结果: {iris.target_names[prediction][0]}")

这段代码完成了以下步骤：

1. 加载经典的鸢尾花数据集
2. 将数据分割为训练集和测试集
3. 创建决策树分类模型
4. 在训练数据上训练模型
5. 在测试数据上预测并计算准确率
6. 对新样本进行种类预测

运行结果示例：

模型准确率: 0.97
预测结果: setosa

需安装的库：

pip install numpy scikit-learn

注意事项：

• 这是监督学习中的分类任务
• max_depth参数控制树深度防止过拟合
• 准确率可能因随机划分稍有波动
• 实际应用中需要特征工程、调参等更多步骤

你可以尝试：

1. 替换为其他模型（如SVC()或RandomForestClassifier()）
2. 调整模型参数
3. 添加数据可视化
4. 使用混淆矩阵评估性能