神经网络模型鸢尾花python代码

以下是使用TensorFlow实现的鸢尾花神经网络模型的Python代码：

import tensorflow as tf
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

# 加载数据
iris = load_iris()
data = iris.data
target = iris.target

# 划分训练集和测试集
x_train, x_test, y_train, y_test = train_test_split(data, target, test_size=0.2, random_state=1)

# 数据归一化
scaler = StandardScaler()
x_train_scaled = scaler.fit_transform(x_train)
x_test_scaled = scaler.transform(x_test)

# 构建模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(10, activation="relu", input_shape=(4,)),
    tf.keras.layers.Dense(10, activation="relu"),
    tf.keras.layers.Dense(3, activation="softmax")
])

# 编译模型
model.compile(optimizer="adam", loss="sparse_categorical_crossentropy", metrics=["accuracy"])

# 训练模型
model.fit(x_train_scaled, y_train, validation_data=(x_test_scaled, y_test), epochs=50)

# 评估模型
score = model.evaluate(x_test_scaled, y_test, verbose=0)
print("Test loss:", score[0])
print("Test accuracy:", score[1])

附上代码说明：

1. 导入必要的库和数据集。
2. 将数据集分成训练集和测试集。
3. 对数据进行归一化处理。
4. 构建一个简单的神经网络模型，包含两个隐藏层和一个输出层，使用ReLU和Softmax激活函数。
5. 编译模型，选择优化器、损失函数和评估指标。
6. 训练模型，指定训练数据、验证数据和轮数。
7. 评估模型，在测试集上计算损失和准确率。