L'obiettivo è addestrare e valutare una semplice rete neurale utilizzando il dataset Iris, che contiene misurazioni di fiori e la classificazione delle specie.

1. Suddividere il dataset in set di addestramento e di test, assegnando il 20% dei dati al set di test e impostando il random state a 42.
2. Convertire X_train e X_test in tensori PyTorch di tipo float32.
3. Convertire y_train e y_test in tensori PyTorch di tipo long.
4. Definire un modello di rete neurale creando la classe IrisModel.
5. Implementare due livelli fully connected e applicare la funzione di attivazione ReLU nel livello nascosto.
6. Inizializzare il modello con la dimensione di input corretta, una dimensione del livello nascosto pari a 16 e la dimensione di output.
7. Definire la funzione di perdita come cross-entropy loss e l'ottimizzatore come Adam con un learning rate di 0.01.
8. Addestrare il modello per 100 epoche eseguendo la propagazione in avanti, calcolando la perdita, effettuando la retropropagazione e aggiornando i parametri del modello.
9. Impostare il modello in modalità valutazione dopo l'addestramento.
10. Disabilitare il calcolo dei gradienti durante il test per migliorare l'efficienza.
11. Calcolare le predizioni sul set di test utilizzando il modello addestrato.
12. Determinare le etichette di classe previste in base alle predizioni grezze.