lstm模型鸢尾花分类代码

这里提供一个使用LSTM模型对鸢尾花数据集进行分类的Python代码示例：

import numpy as np
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from keras.models import Sequential
from keras.layers import Dense, LSTM, Dropout
from keras.utils import to_categorical

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

# 将标签进行one-hot编码
y = to_categorical(y)

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 构建LSTM模型
model = Sequential()
model.add(LSTM(32, input_shape=(X_train.shape[1], 1)))
model.add(Dropout(0.5))
model.add(Dense(3, activation='softmax'))

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

# 将输入数据转换为LSTM所需的格式
X_train = np.reshape(X_train, (X_train.shape[0], X_train.shape[1], 1))
X_test = np.reshape(X_test, (X_test.shape[0], X_test.shape[1], 1))

# 训练模型
model.fit(X_train, y_train, epochs=20, batch_size=16, validation_data=(X_test, y_test))

# 在测试集上评估模型
score = model.evaluate(X_test, y_test)

print('Test loss:', score[0])
print('Test accuracy:', score[1])

在这个代码示例中，我们首先加载了鸢尾花数据集，并使用`train_test_split`函数将其分为训练集和测试集。然后，我们构建了一个包含一个LSTM层和一个全连接层的模型，并将其编译。接着，我们将输入数据转换为LSTM所需的格式，即将每个数据样本转换为一个时间序列，其中每个时间步表示数据样本的一个特征。最后，我们使用训练集对模型进行训练，并在测试集上评估模型的性能。