如何使用scikit-learn库中的算法实现鸢尾花数据集的分类任务并展示详细步骤？

在Python中，使用scikit-learn库中的算法对鸢尾花数据集（Iris dataset）进行分类任务通常包括以下几个步骤：

1. **导入所需的库**:

import numpy as np
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score, classification_report

2. **加载鸢尾花数据集**:

iris = datasets.load_iris()
X = iris.data   # 特征数据
y = iris.target # 类别标签

3. **数据预处理**:
- 将类别标签转换为数值（这里假设使用整数表示）

   y = iris.target.astype(np.int)

- 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)

- 可选的特征缩放（例如，对于KNN算法，距离度量对标准化敏感）：

   scaler = StandardScaler()
   X_train = scaler.fit_transform(X_train)
   X_test = scaler.transform(X_test)

4. **选择模型**:
这里我们以K近邻(KNeighborsClassifier)为例：

   knn_model = KNeighborsClassifier(n_neighbors=3)

5. **拟合模型**:

   knn_model.fit(X_train, y_train)

6. **预测**:

   y_pred = knn_model.predict(X_test)

7. **评估模型性能**:

   accuracy = accuracy_score(y_test, y_pred)
   print(f"Accuracy: {accuracy * 100:.2f}%")

   print(classification_report(y_test, y_pred))