调用Sklear机器学习库的KNN算法在训练数据Iris数据集训练出分类模型，并对结果进行预测与评价。 实验步骤与关键源代码： 数据读取与预处理 2、调用Sklearn机器学习库的KNN算法

在Python中使用Scikit-learn (sklearn) 库进行K-最近邻(K-Nearest Neighbors, KNN) 算法的训练和预测，通常需要按照以下步骤进行：

1. **数据加载与预处理**:
- 首先，你需要安装必要的库，例如`sklearn`、`pandas` 和 `matplotlib`。可以使用`pip install scikit-learn pandas matplotlib`命令进行安装。

   import numpy as np
   from sklearn.datasets import load_iris
   from sklearn.model_selection import train_test_split
   from sklearn.preprocessing import StandardScaler

   # 加载Iris数据集
   iris = load_iris()
   X = iris.data  # 特征数据
   y = iris.target  # 类别标签

   # 数据分割成训练集和测试集
   X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

   # 对特征进行标准化，因为KNN对数值范围敏感
   scaler = StandardScaler()
   X_train = scaler.fit_transform(X_train)
   X_test = scaler.transform(X_test)

2. **构建并训练KNN模型**:
使用`sklearn.neighbors.KNeighborsClassifier`创建一个KNN分类器，并设置k值（邻居的数量）。

   from sklearn.neighbors import KNeighborsClassifier

   k = 5  # 选择合适的k值
   knn = KNeighborsClassifier(n_neighbors=k)
   knn.fit(X_train, y_train)

3. **模型预测**:
使用训练好的模型对测试集进行预测。

   predictions = knn.predict(X_test)

4. **模型评估**:
可以通过计算准确率、精确率、召回率、F1分数等指标来评估模型性能。

   from sklearn.metrics import accuracy_score, classification_report

   print("Accuracy:", accuracy_score(y_test, predictions))
   print("\nClassification Report:\n", classification_report(y_test, predictions))