Je doel is om een eenvoudig neuraal netwerk te trainen en te evalueren met behulp van de Iris dataset, die bestaat uit bloemmetingen en soortclassificatie.

1. Splits de dataset in trainings- en testsets, waarbij 20% wordt toegewezen aan de testset en de random state wordt ingesteld op 42.
2. Zet X_train en X_test om naar PyTorch-tensors van het type float32.
3. Zet y_train en y_test om naar PyTorch-tensors van het type long.
4. Definieer een neuraal netwerkmodel door de klasse IrisModel aan te maken.
5. Implementeer twee volledig verbonden lagen en pas de ReLU-activatiefunctie toe in de verborgen laag.
6. Initialiseer het model met de juiste inputgrootte, een verborgen laag van grootte 16 en de outputgrootte.
7. Definieer het verlies als cross-entropy loss en de optimizer als Adam met een leersnelheid van 0.01.
8. Train het model gedurende 100 epochs door forward propagatie uit te voeren, het verlies te berekenen, backpropagation uit te voeren en de parameters van het model bij te werken.
9. Zet het model na de training in evaluatiemodus.
10. Schakel de gradiëntberekening uit tijdens het testen om de efficiëntie te verbeteren.
11. Bereken voorspellingen op de testset met het getrainde model.
12. Bepaal de voorspelde klassenlabels op basis van de ruwe voorspellingen.