### Python Keras 鸢尾花分类模型 示例代码，并显示鸢尾花图片 以下是一个完整的 Python 代码示例，使用 Keras 构建鸢尾花分类模型，并在运行时显示鸢尾花的图片。代码分为数据加载、模型构建、训练和预测四个部分，并通过 Matplotlib 显示鸢尾花图片。 ```python # 导入必要的库 import numpy as np import matplotlib.pyplot as plt from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler, LabelBinarizer from keras.models import Sequential from keras.layers import Dense from keras.optimizers import Adam # 加载鸢尾花数据集 iris = load_iris() X = iris.data # 特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度 y = iris.target # 标签：Setosa, Versicolour, Virginica # 数据预处理 scaler = StandardScaler() X_scaled = scaler.fit_transform(X) # 特征标准化 # 将标签转换为 one-hot 编码 lb = LabelBinarizer() y_one_hot = lb.fit_transform(y) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X_scaled, y_one_hot, test_size=0.2, random_state=42) # 构建神经网络模型 model = Sequential() model.add(Dense(500, activation='relu', input_shape=(4,))) # 输入层，4个特征 model.add(Dense(500, activation='relu')) # 隐藏层1 model.add(Dense(250, activation='relu')) # 隐藏层2 model.add(Dense(250, activation='relu')) # 隐藏层3 model.add(Dense(3, activation='softmax')) # 输出层，3个类别 # 编译模型 model.compile(loss='categorical_crossentropy', optimizer=Adam(), metrics=['accuracy']) # 训练模型 history = model.fit(X_train, y_train, batch_size=32, epochs=20, validation_data=(X_test, y_test)) # 模型评估 score = model.evaluate(X_test, y_test, verbose=0) print(f"Test loss: {score[0]:.4f}") print(f"Test accuracy: {score[1]:.4f}") # 显示鸢尾花图片 def plot_iris(): from sklearn.decomposition import PCA pca = PCA(n_components=2) X_pca = pca.fit_transform(X_scaled) plt.figure(figsize=(8, 6)) for i in range(len(iris.target_names)): plt.scatter(X_pca[y == i, 0], X_pca[y == i, 1], label=iris.target_names[i]) plt.legend() plt.xlabel("Principal Component 1") plt.ylabel("Principal Component 2") plt.title("Iris Dataset Visualization") plt.show() plot_iris() # 调用函数显示鸢尾花数据的二维投影图 ``` ### 代码说明 - **数据加载与预处理**： - 使用 `sklearn.datasets.load_iris` 加载鸢尾花数据集[^1]。 - 对特征进行标准化处理以提高模型性能[^5]。 - 将标签转换为 one-hot 编码形式，便于 softmax 激活函数输出多分类结果[^5]。 - **模型构建**： - 使用 `Sequential` 模型按顺序堆叠各层[^4]。 - 输入层包含 4 个神经元（对应 4 个特征），隐藏层包含多个全连接层，输出层包含 3 个神经元（对应 3 个类别）。 - 使用 ReLU 激活函数处理隐藏层，Softmax 激活函数处理输出层。 - **模型训练与评估**： - 使用 Adam 优化器和 categorical crossentropy 损失函数训练模型[^5]。 - 在测试集上评估模型性能并输出准确率。 - **鸢尾花图片显示**： - 使用主成分分析（PCA）将 4 维特征降维至 2 维，并通过 Matplotlib 可视化不同类别的鸢尾花分布[^3]。 ---