本项目用于教学演示：

• 对 Iris 数据集做基础 EDA（带类别着色的散点图）。
• 用 PCA 将数据降到 3D，演示 k-means 聚类在该数据集上的不理想结果，并生成用于 ELKI 的 CSV。
• 用纯 NumPy 自实现一个 2 层（1 隐藏层）神经网络并训练分类 Iris，输出测试集准确率和损失曲线。

准备与运行（Windows PowerShell）:

1. 创建/激活 Python 环境（建议 Python 3.9+）

2. 安装依赖：

python -m pip install -r .\requirements.txt

3. 运行 EDA 与聚类脚本：

python .\eda_and_clustering.py

输出文件（在当前目录）:

• scatter_species.png：sepal length vs sepal width，按物种着色
• pca3d_species.png：PCA 3D，按真实物种着色
• pca3d_kmeans.png：PCA 3D，按 k-means 聚类标签着色
• iris_pca3.csv：用于 ELKI 的 CSV（包含 PC1/PC2/PC3、species、kmeans_label）
• kmeans_report.txt：聚类评估（ARI 等）

4. 运行 NumPy 网络训练：

python .\model_numpy.py

输出文件:

• nn_loss.png：训练损失曲线
• 控制台会打印训练过程和最终测试准确率

ELKI 可视化说明见 elki_instructions.md。

项目包含一个简单的 TensorFlow Keras 示例 model_tf.py，用于训练一个二分类（setosa vs others）的小型网络并导出可用于 TensorFlow Playground 的 CSV。

运行（建议在已激活的虚拟环境中）：

python .\model_tf.py

脚本将生成：

• model_tf.h5：保存的 Keras 模型
• playground_iris_binary.csv：可直接复制并粘贴到 https://playground.tensorflow.org 的 Data -> Custom 区域

在 Playground 中：

• 选择 Data -> Custom -> 粘贴 playground_iris_binary.csv 的内容
• 确保使用 x1 和 x2 作为输入特征，label 作为输出（binary classification）

注意：TensorFlow Playground 是用于教学演示的可视化工具，它使用自己内部的模拟网络，不会加载或执行本地 Keras 模型；把 CSV 粘贴到 Playground 可以直观探索不同网络结构和超参数下的决策边界。