鳶尾花資料集具有4個數值型輸入專案，並且數值具有相同的尺度，輸出專案是鳶尾花的三個子類。

這裡使用的是Scikit-Learn中提供的資料集，省略了資料預處理的過程，如果在UCI上面下載的話要使用Pandas中的read_csv()函式匯入資料，並使用Scikit-Learn的LabelEncoder將類別文字編輯成數值。

這裡的例項部分出自於魏貞原老師的書。

from sklearn import datasets
import numpy as np
from keras.models import Sequential
from keras.layers import Dense
from keras.wrappers.scikit_learn import KerasClassifier
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import KFold

#匯入資料
dataset = datasets.load_iris()

x = dataset.data
Y = dataset.target

#設定隨機種子
seed = 7
np.random.seed(seed)

#構建模型函式
def create_model(optimizer = 'adam', init = 'glorot_uniform'):
    #構建模型
    model = Sequential()
    model.add(Dense(units=4, activation='relu', input_dim=4, kernel_initializer=init))
    model.add(Dense(units=6, activation='relu', kernel_initializer=init))
    model.add(Dense(units=3, activation='softmax', kernel_initializer=init))

    #編譯模型
    model.compile(loss='categorical_crossentropy', optimizer=optimizer, metrics=['accuracy'])

    return model

model = KerasClassifier(build_fn=create_model, epochs=200, batch_size=5, verbose=0)
kfold = KFold(n_splits=10, shuffle=True, random_state=seed)
results = cross_val_score(model, x,Y, cv=kfold)
print('Accuracy: %.2f%% (%.2f)' % (results.mean()*100, results.std()))
 

這裡得到結果，準確率為：

Accuracy: 93.33% (0.10)

 當將程式碼進行一些小改動：

kfold = KFold(n_splits=10, shuffle=True)

 將 random_state引數去掉，準確率有所提升。

Accuracy: 96.00% (0.06)