要比较不同模型的准确性，可以使用交叉验证和评估指标来进行比较。下面是一个包含代码示例的解决方法：

1. 数据准备：
   • 导入所需的库：sklearn、numpy等；
   • 加载数据集，将特征矩阵和目标变量分开。

import numpy as np
from sklearn import datasets

# 加载数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

2. 模型训练和评估：
   • 导入要比较的模型类；
   • 使用交叉验证进行模型训练和评估；
   • 计算模型的准确性。

from sklearn.model_selection import cross_val_score
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn.svm import SVC

# 定义要比较的模型类
models = [
    ('Logistic Regression', LogisticRegression()),
    ('Decision Tree', DecisionTreeClassifier()),
    ('Support Vector Machine', SVC())
]

# 使用交叉验证进行模型训练和评估
for model_name, model in models:
    scores = cross_val_score(model, X, y, cv=5)
    print(f"{model_name}准确性：{np.mean(scores):.2f}")

在上述代码中，我们选择了三个常见的分类模型：逻辑回归(Logistic Regression)、决策树(Decision Tree)和支持向量机(Support Vector Machine)。然后，使用交叉验证进行模型训练和评估，通过计算准确性来比较模型的性能。

通过运行上面的代码，你将得到每个模型的准确性得分。根据准确性得分，你可以选择性能最好的模型进行进一步的优化和使用。