(1) 整体效果
- 测试集准确率 ≈ 0.911（固定
random_state=42的 70/30 划分）。
- 5 折交叉验证 均值 ≈ 0.96，说明模型对整体数据的线性可分性把握较好、方差也小。
(2) 类别层面
setosa：几乎完美分离（petal 特征极具辨识度）。
versicolorvsvirginica：主要混淆来源，可能原因是二者在花瓣长度/宽度上有更明显的重叠区域，线性边界难以完全区分。
(3) 特征重要性（从 softmax 系数与经验结论）
- 花瓣长度（petal length）与花瓣宽度（petal width） 是最关键特征；
- 花萼特征（sepal length/width）贡献较弱，常作为辅助。
（4）混淆矩阵（测试集）：
- setosa：15/15 正确
- versicolor：14/15 正确（1 个被判成 virginica）
- virginica：12/15 正确（3 个被判成 versicolor）
