训练并评估小模型
学习目标
区分训练与评估，并解释分数的局限。
用 scikit-learn 拟合回归与分类模型。Iris 有四个测量值：萼片长、宽及花瓣长、宽。拟合前先划分数据，用训练集学习，再用留出的样本评估。训练分数高而新数据表现差，可能是过拟合。预处理也只能在训练数据上拟合，防止评估信息泄漏到学习过程。
深入一点
邻居数 k 和树深是拟合前选定的超参数，回归系数则可由训练学习。用验证集或交叉验证选择设置，将测试集留作最终评估。反复根据测试结果调参，会让评估过于乐观。报告划分方式、基准模型、分数和错误案例。一个小型 Iris 实验只是入门项目，不证明模型适用于所有群体和任务。
用自己的话解释
模型在训练数据上达到 100%，接下来应该检查什么？
对照解释
在合适的未见数据上评估，并检查错误与数据泄漏。仅训练准确率不足以判断。
这一栏由你自己标记，这里不打分。
要把这一阶段标记为已理解吗？
目前还不能取消，请在真正理解后再标记。
已标记为理解
这一栏由你自己标记，这里不打分。