使用KNN分类算法实现鸢尾花数据集的分类

使用KNN（K-Nearest Neighbors，K近邻）算法对鸢尾花数据集进行分类的一般步骤如下：

### 步骤1: 导入所需库（5分）

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

### 步骤2: 加载数据（5分）

iris = load_iris()  # 鸢尾花数据集默认包含在sklearn.datasets模块中
df = pd.DataFrame(data=np.c_[iris['data'], iris['target']], columns=iris['feature_names'] + ['target'])

### 步骤3: 数据预处理（15分）
1. **拆分特征和目标变量**

   X = df.drop('target', axis=1)
   y = df['target']

2. **归一化特征**

   scaler = StandardScaler()
   X_scaled = scaler.fit_transform(X)

### 步骤4: 划分训练集和测试集（10分）

X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42)

### 步骤5: 创建并训练KNN分类器（10分）

knn = KNeighborsClassifier(n_neighbors=3)  # 选择合适的K值
knn.fit(X_train, y_train)

### 步骤6: 进行预测（5分）

y_pred = knn.predict(X_test)

### 步骤7: 评估性能（10分）

accuracy = accuracy_score(y_test, y_pred)
conf_mat = confusion_matrix(y_test, y_pred)
report = classification_report(y_test, y_pred)

results = {
    'Accuracy': accuracy,
    'Confusion Matrix': conf_mat.tolist(),
    'Classification Report': report
}

### 步骤8: 输出结果（5分）

pd.DataFrame(results).to_csv('knn_iris_results.csv', index=False)

现在，我们已经完成了KNN在鸢尾花数据集上的分类，并将结果保存到了CSV文件中。**相关问题--:**
1. 影响KNN性能的因素有哪些？
2. 如何可视化混淆矩阵？
3. 能否解释一下KNN中的“距离”是如何计算的？