Der Iris-Datensatz ist einer der bekanntesten Datensätze im Bereich maschinelles Lernen. Er enthält Messungen von drei verschiedenen Schwertlilienarten (Iris setosa, Iris versicolor, Iris virginica) und wird häufig zur Demonstration von Klassifikationsverfahren verwendet.

Das Ziel dieser Aufgabe ist es, ein einfaches Perzeptron zu trainieren, das automatisch erkennt, ob eine gegebene Blume zur Art Iris setosa gehört oder nicht. Die Daten enthalten vier messbare Merkmale der Blüte, die als Eingabe für das neuronale Netz dienen.

Hier sind Beispielbilder der drei Blumenarten:

Iris setosa	Iris versicolor	Iris virginica

Der Datensatz enthält vier Merkmale, die für jede Blume gemessen wurden:

• Kelchblattlänge (cm)
• Kelchblattbreite (cm)
• Kronblattlänge (cm)
• Kronblattbreite (cm)

Zusätzlich soll ein weiteres Eingangsneuron mit festem Wert hinzugefügt werden, um eine implizite Schwellenwertanpassung zu ermöglichen.

1. Laden Sie den Datensatz und bereiten Sie die Daten für das Training vor.
2. Erweitern Sie den Datensatz um ein zusätzliches Eingangsneuron, das stets den Wert 1 hat (Bias-Neuron).
3. Teilen Sie den Datensatz in 80% Trainingsdaten und 20% Testdaten.
4. Kodieren Sie das Problem als binäre Klassifikation:
   • Setosa = 1
   • Nicht-Setosa (Versicolor/Virginica) = 0
5. Implementieren Sie ein einfaches Perzeptron, das fünf Eingaben erhält und eine binäre Entscheidung trifft.
6. Verwenden Sie die Schwellenwert-Aktivierungsfunktion:
   • \[ y = 1, \quad \text{falls } \sum w_i x_i \geq 0 \]
   • \[ y = 0, \quad \text{sonst} \]
7. Trainieren Sie das Modell mit dem Trainingsdatensatz.
8. Bewerten Sie die Klassifikationsgenauigkeit auf dem Testdatensatz.

Trainieren Sie ein einfaches Perzeptron mit fünf Eingangsneuronen, das die Art Iris setosa von den anderen Arten unterscheidet.

Sie haben den Iris-Datensatz, der vier Merkmale enthält:

• Kelchblattlänge (cm)
• Kelchblattbreite (cm)
• Kronblattlänge (cm)
• Kronblattbreite (cm)

Zusätzlich soll ein weiteres Eingangsneuron mit festem Wert hinzugefügt werden, um eine implizite Schwellenwertanpassung zu ermöglichen.

1. Laden Sie den Datensatz und bereiten Sie die Daten für das Training vor.
2. Erweitern Sie den Datensatz um ein zusätzliches Eingangsneuron, das stets den Wert 1 hat (Bias-Neuron).
3. Teilen Sie den Datensatz in 80% Trainingsdaten und 20% Testdaten.
4. Kodieren Sie das Problem als binäre Klassifikation:
   • Setosa = 1
   • Nicht-Setosa (Versicolor/Virginica) = 0
5. Implementieren Sie ein einfaches Perzeptron, das fünf Eingaben erhält und eine binäre Entscheidung trifft.
6. Verwenden Sie die Schwellenwert-Aktivierungsfunktion:
   • \[ y = 1, \quad \text{falls } \sum w_i x_i \geq 0 \]
   • \[ y = 0, \quad \text{sonst} \]
7. Trainieren Sie das Modell mit dem Trainingsdatensatz.
8. Bewerten Sie die Klassifikationsgenauigkeit auf dem Testdatensatz.