Validación y evaluación de modelos

En este reto, pondrás a prueba tus conocimientos de validación y evaluación de modelos utilizando Scikit-Learn. A través de la validación cruzada, tendrás que ajustar y evaluar un modelo de regresión logística sobre el famoso conjunto de datos Iris, que ya has visto en la lección previa. El conjunto de datos Iris es ideal para este ejercicio porque es una pequeña base de datos bien conocida en la comunidad científica, que encontrarás fácilmente en Scikit-Learn.

1. Carga del dataset: Utiliza la función load_iris de Scikit-Learn para cargar el conjunto de datos Iris.
2. Preprocesamiento de datos: Asegúrate de dividir los datos en un conjunto de características (X) y un vector de etiquetas (y).
3. Modelo de regresión logística: Crea un modelo de regresión logística utilizando Scikit-Learn.
4. Implementación de la validación cruzada: Utiliza la función cross_val_score para realizar una validación cruzada con 5 particiones, evaluando el rendimiento del modelo basado en la métrica de precisión (accuracy).
5. Visualización de resultados: Calcula e imprime las puntuaciones de precisión de cada partición, así como la media y la desviación estándar de las puntuaciones.