、题目一：采用 scikit-learn 中的 LogisticRegression 逻辑回归模型对 iris 数据集进行二分类。 具体内容： （1）特征可视化：任选两个特征和两种类别进行散点图可视化，观察是否线性可分。 （2）模型建立：使用选取的特征和两种类别建立二分类模型。 （3）输出：决策函数的参数、预测值、分类准确率等。 （4）决策边界可视化：将二分类问题的边界可视化。用pycharm写

好的，我明白了你的问题。首先需要安装好 scikit-learn 库，然后就可以进行代码实现了。下面是完整代码：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split

# 加载 iris 数据集
iris = load_iris()
X = iris.data[:, :2]  # 只选取前两个特征
y = iris.target

# 可视化数据集
plt.scatter(X[y == 0][:, 0], X[y == 0][:, 1], label='class 0')
plt.scatter(X[y == 1][:, 0], X[y == 1][:, 1], label='class 1')
plt.legend()
plt.show()

# 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)

# 建立逻辑回归模型
clf = LogisticRegression()
clf.fit(X_train, y_train)

# 输出决策函数的参数和预测值
print('theta:', clf.coef_)
print('intercept:', clf.intercept_)
print('predict:', clf.predict(X_test))

# 输出分类准确率
print('accuracy:', clf.score(X_test, y_test))

# 可视化决策边界
x_min, x_max = X[:, 0].min() - 0.5, X[:, 0].max() + 0.5
y_min, y_max = X[:, 1].min() - 0.5, X[:, 1].max() + 0.5
xx, yy = np.meshgrid(np.linspace(x_min, x_max, 100), np.linspace(y_min, y_max, 100))
Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
plt.contourf(xx, yy, Z, cmap=plt.cm.Spectral)
plt.scatter(X[y == 0][:, 0], X[y == 0][:, 1], label='class 0')
plt.scatter(X[y == 1][:, 0], X[y == 1][:, 1], label='class 1')
plt.legend()
plt.show()

代码中，我们首先加载 iris 数据集，并且只选取前两个特征。然后可视化数据集，并且划分出训练集和测试集。接着，我们建立逻辑回归模型，输出决策函数的参数和预测值，以及分类准确率。最后，我们可视化决策边界，将二分类问题的边界可视化出来。

希望这个代码能够帮到你！