使用GridSearchCV采用K近邻算法，选择最优的K值

可以使用如下代码进行K值的选择：

from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import GridSearchCV
from sklearn.datasets import load_iris

# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target

# 定义参数范围
params = {'n_neighbors': [3, 5, 7, 9, 11]}

# 定义模型
knn = KNeighborsClassifier()

# 进行网格搜索
grid_search = GridSearchCV(knn, params, cv=5)
grid_search.fit(X, y)

# 输出最优参数和最优得分
print("Best parameters: ", grid_search.best_params_)
print("Best score: ", grid_search.best_score_)

在这个例子中，我们选择了K值范围为3, 5, 7, 9, 11，并使用5折交叉验证进行模型评估。最后输出的最优参数和最优得分可以帮助我们选择最佳的K值。