请完成对Sklearn 数据集diabits数据集采用KNN算法进行回归学习，分析测试的均方误差和K取值的关系 请用贝叶斯方法对iris数据集进行学习并比较和KNN方法的学习结果。

首先，让我们来使用Scikit-learn库中的糖尿病数据集（diabetes dataset）来进行K近邻（KNN）回归。这个步骤通常包括加载数据、分割数据集（训练集和测试集）、选择模型（KNN Regressor）、训练模型、预测以及评估性能，特别是计算均方误差（Mean Squared Error，MSE），这会依赖于K值的选择。

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 KNeighborsRegressor
from sklearn.metrics import mean_squared_error

# 加载diabetes数据集
diabetes = datasets.load_diabetes()
X = diabetes.data
y = diabetes.target

# 数据预处理（标准化）
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42)

# 确定K值范围
k_values = list(range(1, 51))

mse_scores = []

for k in k_values:
    knn = KNeighborsRegressor(n_neighbors=k)
    knn.fit(X_train, y_train)
    y_pred = knn.predict(X_test)
    mse_scores.append(mean_squared_error(y_test, y_pred))

# 绘制K值与MSE的关系图
import matplotlib.pyplot as plt
plt.plot(k_values, mse_scores, 'r-o')
plt.xlabel('Number of Neighbors (K)')
plt.ylabel('Mean Squared Error')
plt.title('KNN Regression - MSE vs. K Value')
plt.show()