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-le

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)
```