常见分类算法使用sklearn实现knn算法，并利用已知标签的鸢尾花数据对模型进行训练，再预测未知标签的鸢尾花数据的类别。

使用`sklearn`实现k近邻（k-Nearest Neighbors，简称kNN）算法，可以分为以下几个步骤：

1. 导入所需的模块和数据集：首先，需要导入`sklearn`库中的`datasets`模块来加载鸢尾花数据集，并导入`KNeighborsClassifier`类来创建kNN模型。

2. 加载数据集：使用`datasets.load_iris()`函数来加载鸢尾花数据集。这个数据集包含了150个样本，每个样本有4个特征（花萼长度、花萼宽度、花瓣长度、花瓣宽度），以及3个类别的标签。

3. 准备训练和测试数据：通常，我们将数据集分为训练集和测试集。使用`train_test_split`函数，可以将数据集随机划分为两个部分，通常比例为70%训练集和30%测试集。

4. 创建并训练kNN模型：实例化`KNeighborsClassifier`对象，并调用`fit`方法，传入训练数据和对应的标签，模型将根据这些数据进行学习。

5. 进行预测：使用训练好的模型对测试集进行预测，调用`predict`方法。

6. 评估模型：可以通过比较预测结果和真实的标签，使用`accuracy_score`函数来计算模型的准确率，评估模型性能。

下面是一个简单的代码示例：

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

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

# 准备训练和测试数据
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 创建kNN模型并训练
knn = KNeighborsClassifier(n_neighbors=3)
knn.fit(X_train, y_train)

# 进行预测
y_pred = knn.predict(X_test)

# 评估模型
print("准确率：", accuracy_score(y_test, y_pred))