不使用sklearn库使用感知机模型分类iris

感知机模型是一种简单的二分类模型，可以通过梯度下降法进行训练。下面是一个不使用sklearn库，使用感知机模型分类iris数据集的简单示例代码：

import numpy as np
from sklearn.datasets import load_iris

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

# 将类别标签转换为二分类问题
y = np.where(y == 0, 1, -1)

# 定义感知机模型类
class Perceptron:
    def __init__(self, learning_rate=0.01, max_iter=1000):
        self.learning_rate = learning_rate
        self.max_iter = max_iter
    
    def fit(self, X, y):
        n_samples, n_features = X.shape
        self.w = np.zeros(n_features)
        self.b = 0
        for _ in range(self.max_iter):
            for i in range(n_samples):
                if y[i] * (np.dot(X[i], self.w) + self.b) <= 0:
                    self.w += self.learning_rate * y[i] * X[i]
                    self.b += self.learning_rate * y[i]
    
    def predict(self, X):
        return np.where(np.dot(X, self.w) + self.b >= 0, 1, -1)

# 划分训练集和测试集
np.random.seed(42)
indices = np.random.permutation(len(X))
train_indices, test_indices = indices[:100], indices[100:]

X_train, y_train = X[train_indices], y[train_indices]
X_test, y_test = X[test_indices], y[test_indices]

# 训练模型
perceptron = Perceptron()
perceptron.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = perceptron.predict(X_test)

# 计算准确率
accuracy = np.mean(y_pred == y_test)
print('Accuracy:', accuracy)

在这个示例代码中，首先加载iris数据集，并将类别标签转换为二分类问题。然后定义了一个感知机模型类，包括fit()和predict()方法。fit()方法使用梯度下降法训练模型，predict()方法根据模型参数进行预测。最后，使用划分的训练集和测试集训练模型并在测试集上进行预测，计算准确率