采用 scikit-learn 中的 LogisticRegression 逻辑回归模型对 iris 数据集进行多分类，并使数据可视化

好的，我可以为您演示如何使用 scikit-learn 中的 LogisticRegression 模型对 iris 数据集进行多分类，并可视化结果。

首先，我们需要导入所需的库和数据集：

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
from sklearn.metrics import accuracy_score

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

然后，将数据集分为训练集和测试集：

# 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, random_state=42)

接下来，我们可以使用 LogisticRegression 模型进行训练和预测：

# 训练逻辑回归模型
model = LogisticRegression(max_iter=1000)
model.fit(X_train, y_train)

# 预测测试集
y_pred = model.predict(X_test)

最后，我们可以使用 matplotlib 库将预测结果可视化：

# 将测试集和预测结果可视化
plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test)
plt.scatter(X_test[:, 0], X_test[:, 1], c=y_pred, marker='x')
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.show()

# 输出模型在测试集上的准确率
print('Accuracy:', accuracy_score(y_test, y_pred))

运行上述代码后，将会看到一个散点图，其中颜色代表实际类别，叉号代表模型的预测类别。同时，代码还会输出模型在测试集上的准确率。