import tensorflow as tf

from sklearn import datasets

from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import accuracy_score

# Charger l'ensemble de données Iris

iris = datasets.load_iris()
X = iris.data
y = iris.target

# Séparer les données en un ensemble d'entraînement et un ensemble de test

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3,
random_state=42)

# Normaliser les données

scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# Créer un modèle de réseau de neurones avec TensorFlow/Keras

model = tf.keras.Sequential([
tf.keras.layers.Dense(64, activation='relu', input_shape=(4,)),
tf.keras.layers.Dense(64, activation='relu'),
tf.keras.layers.Dense(3, activation='softmax')
])

# Compiler le modèle
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])

# Entraîner le modèle
model.fit(X_train, y_train, epochs=100, batch_size=32, verbose=1)

# Évaluer le modèle sur l'ensemble de test

y_pred = model.predict(X_test)
y_pred_classes = [tf.argmax(x).numpy() for x in y_pred]
accuracy = accuracy_score(y_test, y_pred_classes)

print("Précision du modèle sur l'ensemble de test:", accuracy)