KNN算法应用-鸢尾花分类

KNN算法是一种基于实例的学习算法，主要用于分类和回归问题。在鸢尾花分类问题中，我们可以使用KNN算法进行分类。

鸢尾花数据集是机器学习领域中最经典的数据集之一，由3种不同品种的鸢尾花组成，每个样本包含4个特征：花萼长度、花萼宽度、花瓣长度和花瓣宽度。

以下是使用Python实现鸢尾花分类的KNN算法示例代码：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集
iris = load_iris()

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3, random_state=42)

# 创建KNN分类器
knn = KNeighborsClassifier(n_neighbors=5)

# 训练模型
knn.fit(X_train, y_train)

# 预测测试集
y_pred = knn.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

在上述代码中，我们使用sklearn库加载鸢尾花数据集，然后使用train_test_split函数将数据集划分为训练集和测试集。接着，我们创建了一个KNN分类器，并使用fit函数训练模型。最后，我们使用predict函数预测测试集，并使用accuracy_score函数计算准确率。

在这个例子中，我们设置K值为5，即KNN算法将选择5个与测试样本最相似的训练样本进行分类。你可以根据实际情况调整K值，以达到更好的分类效果。