BP神经网络对鸢尾花进行分类

题目：BP神经网络分类器
一、实验项目： BP神经网络对鸢尾花进行分类
二、实验目的：
掌握BP神经网络学习算法，利用BP神经网络进行数据分类
三、实验内容：
1、编程实现BP神经网络算法
2、建立三层BP神经网络，节点个数、参数自拟
3、选择iris-人工神经网络.txt中的一部分数据集作为训练集，通过训练集对BP神经网络的连接权重进行学习
4、记录实验数据（连接权值的变化、迭代次数、总的误差变化）
5、用剩下的数据集作为测试集，验证学习的效果
四、实验要求：
1、画出实验所用的BP神经网络的结构图
2、附上主体代码清单
3、写清楚实验步骤和实验结果
4、调节参数后，得到不同的实验数据，对数据进行分析

代码：

import numpy as np
import pandas as pd

'''
    构建一个具有1个隐藏层的神经网络，隐层的大小为5
    输入层为2个特征，输出层为2个分类
    0为第一类，1为第二类
'''
# 1.初始化参数
def initialize_parameters(n_x, n_h, n_y):
    np.random.seed(2)

    # 权重和偏置矩阵
    w1 = np.random.randn(n_h, n_x) * 0.01
    b1 = np.zeros(shape=(n_h, 1))
    w2 = np.random.randn(n_y, n_h) * 0.01
    b2 = np.zeros(shape=(n_y, 1))
    
    print('输入层与隐含层之间的初始权值：')
    print(w1)
    print('输入层与隐含层之间的初始偏置：')
    print(b1)
    print('隐含层与输出层之间的初始权值：')
    print(w2)
    print('隐含层与输出层之间的初始偏置：')
    print(b2)
    
    # 通过字典存储参数
    parameters = {
   
   'w1': w1, 'b1': b1, 'w2': w2, 'b2': b2}
    return parameters

# 2.前向传播
def forward_propagation(X, parameters):
    w1 = parameters['w1']
    b1 = parameters['b1']
    w2 = parameters['w2']
    b2 = parameters['b2']

    # 通过前向传播来计算a2
  
    z1 = np.dot(w1, X) + b1     # 这个地方需注意矩阵加法：虽然(w1*X)和b1的维度不同，但可以相加
    a1 = np.tanh(z1)            # 使用tanh作为第一层的激活函数
    z2 = np.dot(w2, a1) + b2
    a2 = 1 / (1 + np.exp(-z2))  # 使用sigmoid作为第二层的激活函数

    # 通过字典存储参数
    cache = {
   
   'z1': z1, 'a1': a1, 'z2': z2, 'a2': a2}

    return a2, cache

# 3.计算代价函数
def compute_cost(a2, Y, parameters):
    m = Y.shape[