用c语言编写程序，读入三个数给a,b,c，然后交换他们的值，把a中原来的数给b，把b中原来的数给c，把c中原来的数给a

以下是一段关于鸢尾花的Python代码，用于绘制散点图、sigmoid函数和损失函数，并绘制决策边界。

首先，需要导入所需的库：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris

然后，加载鸢尾花数据集：

iris = load_iris()
X = iris.data[:, :2]  # 只选择前两个特征，方便绘制散点图和决策边界
y = (iris.target != 0) * 1  # 将类别转换为0和1

接下来，定义sigmoid函数：

def sigmoid(z):
    return 1 / (1 + np.exp(-z))

然后，定义损失函数：

def loss(h, y):
    return (-y * np.log(h) - (1 - y) * np.log(1 - h)).mean()

接下来，初始化权重和偏置：

w = np.zeros(X.shape[1])
b = 0

然后，定义迭代次数和学习率：

num_iter = 100000
lr = 0.1

接下来，实现梯度下降算法：

for i in range(num_iter):
    z = np.dot(X, w) + b
    h = sigmoid(z)
    gradient_w = np.dot(X.T, (h - y)) / y.size
    gradient_b = (h - y).mean()
    w -= lr * gradient_w
    b -= lr * gradient_b

最后，绘制散点图、sigmoid函数和决策边界：

plt.scatter(X[:, 0], X[:, 1], c=y)
x1_min, x1_max = X[:, 0].min(), X[:, 0].max(),
x2_min, x2_max = X[:, 1].min(), X[:, 1].max(),
xx1, xx2 = np.meshgrid(np.linspace(x1_min, x1_max), np.linspace(x2_min, x2_max))
grid = np.c_[xx1.ravel(), xx2.ravel()]
probs = sigmoid(np.dot(grid, w) + b).reshape(xx1.shape)
plt.contour(xx1, xx2, probs, levels=[0.5], cmap="RdBu")
plt.show()

完整代码如下：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris