使用k近邻算法对forge数据集进行分类，分别实验k=1、k=3时的分类准确度，pc代码

K近邻(K-Nearest Neighbors, KNN)算法是一种基于实例的学习方法，用于非监督和监督学习任务，包括分类和回归。对于Forge数据集，这是一个假设的数据集名称，通常实际项目中我们会用sklearn库中的load_iris等函数加载像鸢尾花这样的经典机器学习数据集。

下面是一个简单的Python示例，使用scikit-learn库来演示如何使用KNN对数据进行分类，并比较k=1和k=3时的分类准确率：

# 导入必要的库
from sklearn.datasets import load_iris  # 假设Forge数据集类似此
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score

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

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 实验k=1和k=3
for k in [1, 3]:
    knn = KNeighborsClassifier(n_neighbors=k)
    knn.fit(X_train, y_train)
    
    # 预测
    y_pred = knn.predict(X_test)
    
    # 计算准确率
    accuracy_k1 = accuracy_score(y_test, y_pred)
    print(f"当k={k}时，分类准确率为: {accuracy_k1 * 100}%")

# 结果显示

运行这个代码会打印出k=1和k=3时的分类准确率。注意，实际应用中可能需要尝试不同的k值，找到最优的分类效果。