Python中实现使用逻辑回归训练一个鸢尾花分类器，只训练两个类别：山鸢尾和维吉尼亚鸢尾。需要使用二分类交叉熵损失函数 ，可视化损失和准确率变化过程，并保存

在Python中，我们可以使用scikit-learn库来实现基于逻辑回归的鸢尾花分类器，仅针对山鸢尾（Setosa）和维吉尼亚鸢尾（Virginica）这两个类别。我们将使用`sklearn.model_selection.train_test_split`来划分数据集，`LogisticRegression`作为模型，`BinaryCrossentropy`作为损失函数，以及`metrics`模块来计算准确率。 以下是一个简单的步骤示例： ```python # 导入必要的库 import numpy as np 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 LabelEncoder from sklearn.metrics import accuracy_score, classification_report from tensorflow.keras.losses import BinaryCrossentropy import matplotlib.pyplot as plt # 加载鸢尾花数据集 iris = datasets.load_iris() X = iris.data[:, :2] # 取前两个特征，简化问题到二维 y = iris.target # 将标签编码为0（山鸢尾）和1（维吉尼亚鸢尾） le = LabelEncoder() y_encoded = le.fit_transform(y) y_binary = (y_encoded == 2).astype(int) # 山鸢尾对应0，维吉尼亚鸢尾对应1 # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y_binary, test_size=0.2, random_state=42) # 创建逻辑回归模型 model = LogisticRegression(multi_class='ovr', solver='lbfgs') # 使用one-vs-rest策略 # 训练模型并记录历史 history = model.fit(X_train, y_train, callbacks=[EarlyStopping(monitor='val_loss', patience=5)]) # 添加早停避免过拟合 # 预测和评估 y_pred = model.predict(X_test) accuracy = accuracy_score(y_test, y_pred) print("Accuracy:", accuracy) # 计算并绘制损失和准确率的变化 plt.figure(figsize=(12, 6)) plt.subplot(1, 2, 1) plt.plot(history.history['loss'], label='Training Loss') plt.plot(history.history['val_loss'], label='Validation Loss') plt.xlabel('Epochs') plt.ylabel('Loss') plt.title('Loss Curves') plt.subplot(1, 2, 2) plt.plot(history.history['accuracy'], label='Training Accuracy') plt.plot(history.history['val_accuracy'], label='Validation Accuracy') plt.xlabel('Epochs') plt.ylabel('Accuracy') plt.title('Accuracy Curves') plt.legend() # 保存图像 plt.savefig('loss_and_accuracy.png') # 结果展示 print(classification_report(y_test, y_pred)) #