### 鸢尾花分类算法的实现与可视化 以下是基于Python的鸢尾花数据集（Iris dataset）分类算法的实现及其可视化的代码示例。此代码适合在Jupyter Notebook环境中运行。 #### 数据加载与预处理 首先，导入必要的库并加载鸢尾花数据集： ```python import numpy as np import pandas as pd from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler import matplotlib.pyplot as plt import seaborn as sns # 加载数据集 data = load_iris() X = data.data # 特征矩阵 y = data.target # 标签向量 # 将数据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=42) # 对特征进行标准化处理 scaler = StandardScaler() X_train_scaled = scaler.fit_transform(X_train) X_test_scaled = scaler.transform(X_test) ``` #### 使用逻辑回归模型进行分类 这里我们选择逻辑回归作为分类器来演示如何构建分类模型： ```python from sklearn.linear_model import LogisticRegression from sklearn.metrics import accuracy_score, confusion_matrix # 训练逻辑回归模型 model = LogisticRegression(max_iter=200) model.fit(X_train_scaled, y_train) # 进行预测 y_pred = model.predict(X_test_scaled) # 输出准确率 accuracy = accuracy_score(y_test, y_pred) print(f"Model Accuracy: {accuracy * 100:.2f}%") # 显示混淆矩阵 conf_mat = confusion_matrix(y_test, y_pred) sns.heatmap(conf_mat, annot=True, fmt="d", cmap="Blues") plt.title("Confusion Matrix") plt.xlabel("Predicted Label") plt.ylabel("True Label") plt.show() ``` #### 可视化决策边界 为了更好地理解模型的工作原理，可以绘制二维空间中的决策边界。由于原始数据有四个维度，因此我们需要先降维到两个主要成分再绘图： ```python from sklearn.decomposition import PCA # 应用PCA将数据降到两维 pca = PCA(n_components=2) X_pca = pca.fit_transform(np.vstack((X_train_scaled, X_test_scaled))) # 合并标签以便统一绘图 labels = np.hstack((y_train, y_test)) # 绘制散点图表示不同类别的分布情况 plt.figure(figsize=(8, 6)) for label in range(3): # Iris数据集中共有三个类别 indices = labels == label plt.scatter(X_pca[indices, 0], X_pca[indices, 1], label=data.target_names[label]) # 添加网格线以及图例说明 plt.grid(True) plt.legend(loc="best") plt.title("PCA Projection of the Iris Dataset") plt.xlabel("Principal Component 1") plt.ylabel("Principal Component 2") plt.show() ``` 以上代码展示了完整的流程，包括但不限于数据准备、建模过程以及结果评估阶段[^1]。 ---