使用K近邻对iris数据集进行分类的Python代码

以下是使用K近邻对iris数据集进行分类的Python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

# 加载数据集
iris = load_iris()
X = iris.data
y = iris.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=0.3, random_state=42)

# 训练模型
knn = KNeighborsClassifier(n_neighbors=3)
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)

这段代码首先加载iris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KNeighborsClassifier对象，并使用fit方法训练模型。然后，我们使用predict方法对测试集进行预测，并使用accuracy_score函数计算准确率。