knn 实现鸢尾花分类预测 python并画出不同k值下的错误率图标

KNN（K-Nearest Neighbors）算法是一种基于实例的学习方法，常用于分类任务，通过测量样本之间的距离来确定新数据点所属类别。在Python中，我们可以使用sklearn库中的`KNeighborsClassifier`来实现鸢尾花（Iris）数据集的分类，并绘制不同k值下错误率的变化图。

首先，你需要安装必要的库，如sklearn、matplotlib等：

pip install sklearn matplotlib numpy

然后，你可以按照以下步骤操作：

1. 加载鸢尾花数据：

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

2. 划分训练集和测试集：

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. 创建一个KNN分类器并遍历不同的k值：

import matplotlib.pyplot as plt
import numpy as np

error_rate = []
for k in range(1, 51):  # 遍历1到50的k值
    knn = KNeighborsClassifier(n_neighbors=k)
    knn.fit(X_train, y_train)
    
    predictions = knn.predict(X_test)
    error_rate.append(np.mean(predictions != y_test))  # 计算错误率

k_values = list(range(1, len(error_rate) + 1))

4. 绘制错误率图表：

plt.figure(figsize=(8, 6))
plt.plot(k_values, error_rate, 'r-o')
plt.title('Error Rate vs. K values (KNN)')
plt.xlabel('Number of Neighbors (K)')
plt.ylabel('Classification Error Rate')
plt.grid(True)
plt.show()

这将生成一张显示不同k值下错误率变化的折线图。图表中横坐标表示k值，纵坐标表示错误率，你可以从图中观察随着k值增加，错误率的趋势。