本关任务：编写一个完整的单层感知器网络，实现对Iris数据集中Iris种类的分类预测。

在机器学习领域，单层感知器也称为线性回归模型，主要用于解决简单的线性可分问题。不过，对于非线性的Iris数据集（包含了三个特征和三种鸢尾花类别），单层感知器通常效果不佳，因为它不具备足够的复杂度来捕捉数据中的非线性模式。为了更准确地分类，我们可以使用支持向量机（SVM）、决策树或深度学习模型如神经网络。

如果你想编写一个基本的单层感知器用于Iris分类，以下是Python（scikit-learn库）中一个简化的示例：

# 导入必要的库
from sklearn import datasets
from sklearn.linear_model import Perceptron
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载Iris数据集
iris = datasets.load_iris()
X = iris.data
y = iris.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)

# 初始化并训练单层感知器
perceptron = Perceptron(max_iter=100) # 设置迭代次数，因为单层感知器收敛较慢
perceptron.fit(X_train, y_train)

# 预测
y_pred = perceptron.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy on Iris dataset: {accuracy * 100:.2f}%")

#