1．读取指定离线鸢尾花数据集，按照要求完成如下任务. 1.1建立Logistic的3阶多项式； 1.2 训练前两个特征，并输出准确率； 1.3绘制最终分类图；

首先，你需要准备一个鸢尾花数据集，通常这类数据集可以在Python的scikit-learn库中找到，如`iris`数据集就是一个经典的例子。为了完成这个任务，你可以遵循以下步骤：

1. **导入所需的库**:

   import numpy as np
   from sklearn.datasets import load_iris
   from sklearn.model_selection import train_test_split
   from sklearn.linear_model import LogisticRegression
   from sklearn.preprocessing import PolynomialFeatures
   from sklearn.metrics import accuracy_score
   import matplotlib.pyplot as plt

2. **加载并预处理数据**:
- 加载鸢尾花数据

   iris = load_iris()
   X = iris.data[:, :2]  # 取前两个特征
   y = iris.target

- 将类别标签转换为数值形式，以便于模型训练

   y_encoded = np.argmax(y.reshape(-1, 1), axis=1)

3. **构建3阶多项式特征**:

   poly = PolynomialFeatures(degree=3)
   X_poly = poly.fit_transform(X)

4. **分割数据集（训练集和测试集）**:

   X_train, X_test, y_train, y_test = train_test_split(X_poly, y_encoded, test_size=0.2, random_state=42)

5. **训练Logistic回归模型**:

   model = LogisticRegression(solver='lbfgs')  # 使用L-BFGS优化器
   model.fit(X_train, y_train)

6. **评估模型**:
- 预测测试集结果

   y_pred = model.predict(X_test)

- 计算前两个特征的准确率

   accuracy = accuracy_score(y_test, y_pred)
   print(f"前两个特征的准确率为: {accuracy * 100:.2f}%")

7. **绘制最终分类图**:
- 可能需要一些额外的库（比如`seaborn`或`plotly`），这里展示基础版本

   plt.figure(figsize=(8, 6))
   plt.scatter(X_test[:, 0], X_test[:, 1], c=y_pred, cmap='viridis')
   decision_boundary = model.coef_[0][0] * X_test[:, 0] + model.coef_[0][1] * X_test[:, 1]
   plt.plot(X_test[:, 0], decision_boundary, 'k-', lw=2)
   plt.xlabel('Feature 1')
   plt.ylabel('Feature 2')
   plt.title("Final Classification Plot with Logistic Regression (Polynomial)")
   plt.show()