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).
Der Datensatz wurde ursprünglich 1936 von Ronald A. Fisher veröffentlicht und ist frei verfügbar (Schwertlilien-Datensatz (Wikipedia)).
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. Die gewünschte Ausgabe ist die Art.

Hier sind Beispielbilder der drei Blumenarten:

Iris setosa	Iris versicolor	Iris virginica

Der Datensatz liegt als CSV-Datei vor, in der die Werte mit Semikolon (`;`) getrennt sind. Jede Zeile enthält die Messwerte einer Blume mit den folgenden Spalten:

• Art (Setosa, Versicolor oder Virginica)
• Kelchblattlänge (cm)
• Kelchblattbreite (cm)
• Kronblattlänge (cm)
• Kronblattbreite (cm)

1. Laden Sie den Datensatz und bereiten Sie die Daten für das Training vor.
2. Teilen Sie den Datensatz in 80% Trainingsdaten und 20% Testdaten.
3. Kodieren Sie das Problem als binäre Klassifikation:
   • Setosa = 1
   • Nicht-Setosa (Versicolor/Virginica) = 0
4. Trainieren Sie das Modell mit dem Trainingsdatensatz.
5. Bewerten Sie die Klassifikationsgenauigkeit auf dem Testdatensatz.

1. Erstellen Sie einen aussagekräftigen Graphen.

Erstellen Sie eine grafische Darstellung, um die Funktionsweise des Perzeptrons zu veranschaulichen.

1. Wählen Sie zwei Merkmale des Datensatzes (z. B. Kronblattlänge vs. Kronblattbreite).
2. Erstellen Sie ein Streudiagramm, in dem:
   • Die Datenpunkte für Setosa in einer Farbe dargestellt werden.
   • Die Datenpunkte für Nicht-Setosa in einer anderen Farbe dargestellt werden.
3. Ergänzen Sie die Darstellung um eine Visualisierung, die zeigt, wie das Perzeptron die Eingaben unterscheidet.