2.iris数据集CNN网络模型构建和评估

Iris数据集是一个经典的数据分析和机器学习例子，通常用于分类任务，特别是为了演示监督学习的基本概念。在这个任务中，我们使用花的测量值（花瓣长度、花瓣宽度、萼片长度和萼片宽度）来预测花朵属于三种鸢尾花品种之一。

构建一个基于卷积神经网络（Convolutional Neural Network, CNN）的模型对Iris数据集进行分类，首先需要进行以下步骤：

1. **数据预处理**：
- 将Iris数据集加载到Pandas DataFrame中，然后将其转换成适合神经网络训练的数据格式，通常是张量或numpy数组。
- 分割数据集为训练集和测试集。

2. **数据标准化/归一化**：
- 因为CNN对数值敏感，所以通常会先对特征进行缩放，使所有特征都在相同的尺度上。

3. **构建CNN模型**：
- 使用Python库如PyTorch或Keras搭建模型。开始时，可以创建一个简单的结构，包括一个或多个卷积层（用核卷积提取特征），池化层（减少数据尺寸并保留主要特征），全连接层（用于分类）以及一个输出层。

   model = nn.Sequential(
       nn.Conv2d(1, 16, kernel_size=3, stride=1, padding=1),  # 对单通道图像应用卷积
       nn.ReLU(),
       nn.MaxPool2d(kernel_size=2),  # 或者nn.AvgPool2d
       nn.Flatten(),  # 将卷积后的结果展平成一维
       nn.Linear(in_features=16 * 5 * 5, out_features=64),  # 全连接层，这里假设输入图像是28x28
       nn.ReLU(),
       nn.Dropout(p=0.5),  # 防止过拟合
       nn.Linear(in_features=64, out_features=3),  # 输出层，对应3种 Iris 类别
   )

4. **编译模型**：
- 定义损失函数（如Cross-Entropy Loss）、优化器（如Adam）和评估指标（如准确率）。

5. **训练模型**：
- 在训练数据上执行迭代，每次迭代都会将一批数据送入模型进行前向传播、计算损失、反向传播和权重更新。

6. **评估模型**：
- 使用测试集评估模型性能，计算准确率或其他评价指标。

   with torch.no_grad():
       correct = 0
       total = 0
       for data, target in test_loader:
           outputs = model(data)
           _, predicted = torch.max(outputs.data, 1)
           total += target.size(0)
           correct += (predicted == target).sum().item()
       print(f'Accuracy on test set: {correct / total * 100:.2f}%')

请注意，由于Iris数据集实际上是一维的，我们可以简化处理为一维输入，不需要使用卷积层，而是使用线性模型。上述示例中的代码仅供参考，适用于二维输入的情况。对于Iris数据集，通常的做法是使用一个简单的线性模型，或者用多层感知器（MLP）。