1．读取指定离线鸢尾花数据集，按照要求完成如下任务. 1.1建立Logistic的3阶多项式； 1.2训练所有训练集，并输出准确率； 1.3绘制最终分类图； 1.4代码关键部分需要加以注释。

在Python中，我们可以使用sklearn库来处理这个问题，这里是一个基本步骤的示例，假设我们已经有一个名为Iris.csv的离线鸢尾花数据集：

# 导入必要的库
import pandas as pd
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import PolynomialFeatures
import matplotlib.pyplot as plt

# 1. 读取数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 1.1 建立3阶多项式模型
poly = PolynomialFeatures(degree=3)
X_poly = poly.fit_transform(X)

# 分割数据为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_poly, y, test_size=0.2, random_state=42)

# 1.2 训练Logistic回归模型并计算准确率
logreg = LogisticRegression()
logreg.fit(X_train, y_train)
y_pred = logreg.predict(X_test)
accuracy = logreg.score(X_test, y_test)
print(f"Accuracy: {accuracy * 100}%")

# 1.3 绘制分类图
plt.scatter(X[:, 0], X[:, 1], c=y_pred, cmap='viridis')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.title('Polynomial Logistic Regression Classification')
plt.show()

# 1.4 关键部分代码注释：
# 使用`PolynomialFeatures`将原始特征转换成3阶多项式，提高模型复杂度
# `train_test_split`用于分割数据，80%的数据用于训练，剩余20%用于验证
# `fit`函数训练Logistic回归模型，`score`函数返回模型在测试集上的预测准确率
# 最后的`scatter`函数用于可视化分类结果，颜色表示预测类别