利用KNN实现鸢尾花数据集分类。

K-最近邻算法(K-Nearest Neighbors, KNN)是一种基于实例的学习方法，用于分类任务。在鸢尾花数据集中，我们可以按照以下步骤利用KNN来进行分类：

1. **加载数据**：首先需要从数据源如scikit-learn库中导入`load_iris`函数，加载预处理好的鸢尾花数据集。

from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data
y = iris.target

2. **划分数据**：通常会将数据分为训练集和测试集，以便评估模型性能。

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

3. **选择K值**：确定k值，它代表了寻找每个样本最接近的邻居的数量。常见的k值有3、5和7等。

4. **构建KNN模型**：使用sklearn库的`KNeighborsClassifier`类创建KNN分类器，并设置k值。

from sklearn.neighbors import KNeighborsClassifier
knn = KNeighborsClassifier(n_neighbors=k)

5. **训练模型**：用训练集的数据对模型进行训练。

knn.fit(X_train, y_train)

6. **预测**：使用训练好的模型对测试集中的样本进行分类。

predictions = knn.predict(X_test)

7. **评估模型**：计算准确率或其他评估指标，了解模型在新数据上的表现。

from sklearn.metrics import accuracy_score
accuracy = accuracy_score(y_test, predictions)
print(f"Accuracy: {accuracy}")