写一个用python实现感知机并对鸢尾花数据集分类的代码并采用OvA（One-versus-All）策略解决鸢尾花数据集包含三个类别，而感知机只能处理二分类的问题并且打印出它的结果与可视化

在Python中，我们可以使用Scikit-Learn库中的Perceptron模型和Iris数据集来实现感知机分类，并通过OvA（一对一）策略将多分类问题转换为一系列二分类问题。这里是一个简单的示例：

from sklearn.datasets import load_iris
from sklearn.linear_model import Perceptron
import matplotlib.pyplot as plt

# 加载鸢尾花数据集
iris = load_iris()
X = iris.data
y = iris.target

# 将多分类问题转化为多个二分类问题（OvA）
binary_y = []
for i in range(3):
    binary_y.append(y == i)  # 将0, 1, 2分别转化为[False, True], [True, False], [False, False]

# 初始化3个独立的Perceptron模型，每个模型对应一个类别
perceptrons = [Perceptron(random_state=42) for _ in range(3)]

# 训练每个模型
for model, target in zip(perceptrons, binary_y.T):
    model.fit(X, target)

# 预测
predictions = [[model.predict([instance]) for model in perceptrons] for instance in X]

# 最终预测结果为多数标签投票
final_predictions = [max(p, key=p.count) for p in predictions]

# 打印结果
print("Predicted classes:", final_predictions)
print("Accuracy:", sum(final_predictions == y) / len(y))

# 可视化决策边界（简化版本，实际可视化的维度受限于数据）
# 对应于每个类别的Perceptron，假设我们只看前两个特征
fig, axs = plt.subplots(1, 3, figsize=(15, 5))
colors = ['r', 'g', 'b']
for i, (ax, color, label) in enumerate(zip(axs, colors, iris.target_names)):
    idx = binary_y[i].flatten()  # 选取当前类别的样本
    ax.scatter(X[idx, 0], X[idx, 1], c=color, marker='o')
    ax.set_title(label)
    # 概略地画出决策边界，真实感知机可能有更复杂的决策边界
    w = perceptrons[i].coef_[0]
    b = perceptrons[i].intercept_
    x_min, x_max = ax.get_xlim()
    y_min, y_max = ax.get_ylim()
    x_intercept = -(b - w[1] * x_min) / w[0]
    ax.plot((x_min, x_intercept), (y_min, y_min + w[0] * (x_intercept - x_min)), linestyle='--', color='k')
plt.show()