用bp神经网络实现鸢尾花分类的Python代码

用BP神经网络（Back Propagation Neural Network）对鸢尾花数据集进行分类，我们可以借助一些库如`sklearn`, `numpy`以及自定义的BP学习算法。下面是一个简单的示例代码：

# 导入必要的库
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
import numpy as np

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

# 数据预处理（归一化）
X = (X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0))

# 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)

# 设定神经网络结构
input_nodes = X_train.shape[1]
hidden_nodes = 5 # 这里假设有一个隐藏层，可以调整节点数
output_nodes = len(np.unique(y)) # 鸢尾花有三种类别

# 初始化权重矩阵
w1 = np.random.rand(input_nodes, hidden_nodes)
w2 = np.random.rand(hidden_nodes, output_nodes)

# 定义BP学习函数（简化版）
def backpropagation(x, t, w1, w2, learning_rate):
    m = x.shape[0]  # 样本数量
    z1 = np.dot(x, w1)  # 第一层隐藏节点的输入
    a1 = sigmoid(z1)   # 激活函数（这里用sigmoid）

    z2 = np.dot(a1, w2)  # 输出层的输入
    a2 = softmax(z2)  # 输出概率值，使用softmax保证总和为1

    # 计算误差和梯度
    delta2 = a2 - t.reshape(-1, 1)  # 输出层误差
    dZ2 = delta2 * a2 * (1 - a2)  # 输出层导数
    dw2 = (1/m) * np.dot(a1.T, dZ2)  # 输出层权重更新

    error = np.sum(delta2**2) / m  # 平均误差平方
    delta1 = np.dot(dZ2, w2.T) * sigmoid_derivative(z1)  # 隐藏层误差
    dw1 = (1/m) * np.dot(x.T, delta1)  # 隐藏层权重更新

    # 更新权重
    w1 -= learning_rate * dw1
    w2 -= learning_rate * dw2

    return error, dw1, dw2

def sigmoid_derivative(z):  # Sigmoid激活函数的导数
    return z * (1 - z)

# 定义训练过程
learning_rate = 0.1
epochs = 1000
for _ in range(epochs):
    errors, _, _ = [], [], []
    for i in range(X_train.shape[0]):
        x = X_train[i].reshape(1, -1)
        t = one_hot_encode(y_train[i])  # 将标签转换为one-hot编码
        error, dw1, dw2 = backpropagation(x, t, w1, w2, learning_rate)
        errors.append(error)
        _, dw1_, dw2_ = backpropagation(x, t, w1, w2, learning_rate)
        _, dw1[-1], dw2[-1] = dw1_, dw2_
        dw1, dw2 = dw1[:-1], dw2[:-1]  # 省略最后一个节点的权重更新
        errors.append(error)
        _, _, _ = backpropagation(x, t, w1, w2, learning_rate)

    print(f"Epoch {_:03d}: Mean Error = {np.mean(errors)}")

# 测试阶段
predictions = []
for x in X_test:
    x = x.reshape(1, -1)
    o = predict(x, w1, w2)  # 使用预测函数
    predictions.append(np.argmax(o))

# 评估模型性能
accuracy = np.mean(predictions == y_test)
print(f"Accuracy: {accuracy}")

# 预测函数（假设我们只关心最大概率对应的类别）
def predict(x, w1, w2):
    z1 = np.dot(x, w1)
    a1 = sigmoid(z1)
    z2 = np.dot(a1, w2)
    return softmax(z2)

在这个代码中，我们首先加载鸢尾花数据并做了一些基本预处理。然后定义了一个简单的BP神经网络，并通过迭代训练来优化权重。最后，我们用测试集评估了模型的性能。

注意这只是一个基础的示例，实际应用中可能需要更复杂的网络结构、正则化和批量梯度下降等优化手段。另外，这里的`softmax`和`one_hot_encode`函数没有直接提供，你需要自己实现它们。