用多元感知机实现鸢尾花数据集多分类代码

使用多元感知机（Multiclass Perceptron）对鸢尾花（Iris dataset）进行多分类，通常涉及以下几个步骤：

1. 导入库：首先，我们需要导入必要的库，如`sklearn`（用于数据处理和机器学习模型），`numpy`（数值计算），以及`pandas`（数据处理）。

import numpy as np
import pandas as pd
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import Perceptron

2. 加载数据：从sklearn.datasets模块加载鸢尾花数据集，并将其转换为DataFrame。

iris = datasets.load_iris()
df = pd.DataFrame(data= np.c_[iris['data'], iris['target']],
                     columns= iris['feature_names'] + ['target'])

3. 数据预处理：将数据分为特征（X）和目标变量（y）。分割数据集并标准化特征值。

X = df.iloc[:, :-1]
y = df['target']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 标准化数据
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

4. 初始化并训练模型：创建Perceptron实例，设置迭代次数（epochs）和其他参数。

mp = Perceptron(max_iter=100, random_state=42) # 使用默认的学习率和阈值
mp.fit(X_train, y_train)

5. 预测和评估：用训练好的模型对测试集进行预测，并查看性能指标。

y_pred = mp.predict(X_test)
print("Accuracy:", np.mean(y_pred == y_test))