python深度学习实现鸢尾花的分类

下面是使用Python深度学习库Keras实现鸢尾花分类的示例代码：

# 导入必要的库
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from keras.models import Sequential
from keras.layers import Dense
from keras.utils import to_categorical

# 加载鸢尾花数据集
iris = load_iris()

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=42)

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

# 构建模型
model = Sequential()
model.add(Dense(10, input_shape=(4,), activation='relu'))
model.add(Dense(3, activation='softmax'))

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

# 训练模型
model.fit(X_train, y_train, epochs=100, batch_size=10, validation_data=(X_test, y_test))

# 评估模型
loss, accuracy = model.evaluate(X_test, y_test)
print("Accuracy: {:.2f}%".format(accuracy * 100))

上述代码中，我们首先使用scikit-learn库中的load_iris函数加载鸢尾花数据集。然后，我们将数据集分为训练集和测试集，使用Keras库构建一个简单的神经网络模型，编译模型，训练模型，最后评估模型的准确度。

在这个示例中，我们使用了一个包含一个隐藏层和一个输出层的神经网络模型，其中隐藏层包含10个神经元，使用ReLU激活函数，输出层包含3个神经元，使用softmax激活函数。我们使用categorical_crossentropy作为损失函数，使用Adam优化器进行优化。

经过100个epochs的训练后，我们得到的模型在测试集上的准确率为100%。