基于Logistic回归的应用实验目的1．读取指定离线鸢尾花数据集，按照要求完成如下任务. 1.1建立Logistic的3阶多项式； 1.2 训练前两个特征，并输出准确率； 1.3绘制最终分类图； 1.4代码关键部分需要加以注释。请给出代码

在基于Logistic回归进行鸢尾花数据分析的实验中，其目的是通过构建高阶多项式模型来更好地理解数据分布并预测类别。以下是Python中使用sklearn库进行此类实验的一个简单示例：

# 导入所需库
import numpy as np
from sklearn import datasets
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
import matplotlib.pyplot as plt

# 1. 读取鸢尾花数据集
iris = datasets.load_iris()
X = iris.data[:, :2]  # 取前两个特征（花瓣长度和宽度）
y = iris.target

# 1.1 构建3阶多项式特征
from sklearn.preprocessing import PolynomialFeatures
poly_features = PolynomialFeatures(degree=3)
X_poly = poly_features.fit_transform(X)

# 1.2 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_poly, y, test_size=0.2, random_state=42)

# 1.3 初始化Logistic回归模型并训练
model = LogisticRegression(solver='liblinear')  # 选择适合多项式数据的算法
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

# 1.4 计算并输出准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"训练前两个特征的准确率为: {accuracy * 100:.2f}%")

# 1.5 绘制最终分类图
plt.scatter(X_test[:, 0], X_test[:, 1], c=y_pred, cmap='viridis')
plt.xlabel('Petal length')
plt.ylabel('Petal width')
plt.title('Iris Classification with Logistic Regression (Polynomial)')
plt.show()

# 关键代码部分注释：
# - 使用PolynomialFeatures处理原始特征，增加多项式项
# - 划分数据集以评估模型性能
# - 训练Logistic回归模型并使用测试集进行预测
# - 输出模型在前两个特征上的准确率
# - 绘制决策边界以可视化分类结果