编写一个程序，采用 scikit-learn 中的 LogisticRegression 逻辑回归模型对 iris 数据集进行多分类，且完成数据可视化

好的，我可以为你提供一份 Python 代码，使用 scikit-learn 中的 LogisticRegression 模型对 iris 数据集进行多分类，并可视化数据。请注意，以下代码是在 Python 3 环境下测试通过的。

首先，我们需要导入所需的库和数据集：

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
import matplotlib.pyplot as plt

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

接着，我们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=0.3, random_state=0)

然后，我们使用 LogisticRegression 模型进行训练和预测：

# 创建 LogisticRegression 模型
clf = LogisticRegression()

# 训练模型
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

最后，我们计算模型的准确率，并可视化数据：

# 计算模型的准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

# 可视化数据
plt.scatter(X[:, 0], X[:, 1], c=y)
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.show()

完整的代码如下：

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
import matplotlib.pyplot as plt

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

# 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=0.3, random_state=0)

# 创建 LogisticRegression 模型
clf = LogisticRegression()

# 训练模型
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

# 计算模型的准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

# 可视化数据
plt.scatter(X[:, 0], X[:, 1], c=y)
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.show()

希望这份代码可以帮助到你！