采用KNN，SVM，决策树、集成学习方法实现中鸢尾花数据集分类，挑选准确率最高的模型。

好的，针对您的问题，以下是我的回答：

对于中鸢尾花数据集分类，我们可以考虑使用KNN、SVM、决策树、集成学习等方法进行分类。这些方法的具体实现可以使用Python中的scikit-learn库来完成。

首先，我们需要将数据集分为训练集和测试集。然后对训练集进行特征提取和预处理，然后使用不同的分类算法进行模型训练。最后，使用测试集对模型进行评估，计算准确率，从而挑选出准确率最高的模型。

以下是Python中使用scikit-learn库实现中鸢尾花数据集分类的示例代码：

# 导入库
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

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

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# KNN分类
knn = KNeighborsClassifier()
knn.fit(X_train, y_train)
knn_pred = knn.predict(X_test)
knn_acc = accuracy_score(y_test, knn_pred)

# SVM分类
svm = SVC()
svm.fit(X_train, y_train)
svm_pred = svm.predict(X_test)
svm_acc = accuracy_score(y_test, svm_pred)

# 决策树分类
dt = DecisionTreeClassifier()
dt.fit(X_train, y_train)
dt_pred = dt.predict(X_test)
dt_acc = accuracy_score(y_test, dt_pred)

# 随机森林分类
rf = RandomForestClassifier()
rf.fit(X_train, y_train)
rf_pred = rf.predict(X_test)
rf_acc = accuracy_score(y_test, rf_pred)

# 集成学习分类
ensemble = VotingClassifier(estimators=[('knn', knn), ('svm', svm), ('dt', dt), ('rf', rf)], voting='hard')
ensemble.fit(X_train, y_train)
ensemble_pred = ensemble.predict(X_test)
ensemble_acc = accuracy_score(y_test, ensemble_pred)

# 输出准确率
print("KNN准确率为：", knn_acc)
print("SVM准确率为：", svm_acc)
print("决策树准确率为：", dt_acc)
print("随机森林准确率为：", rf_acc)
print("集成学习准确率为：", ensemble_acc)

通过运行上述代码，可以得到不同算法分类后的准确率。根据准确率，我们可以选择准确率最高的模型进行中鸢尾花数据集分类。