使用KNN分类算法实现鸢尾花数据集的分类 结果呈现：最终生成一个存储评价指标的csv文件

在使用K-Nearest Neighbors (KNN) 分类算法对鸢尾花数据集进行分类时，通常需要经过以下几个步骤：

1. **数据加载与预处理**:
- 从Python的`sklearn.datasets`库导入鸢尾花数据集（Iris dataset），并将其分为特征（X）和标签（y）。

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

2. **数据分割**:
- 划分训练集和测试集，一般可以使用80%的数据作为训练集，20%的数据作为测试集。

   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)

3. **模型构建**:
- 导入`KNeighborsClassifier`，设置K值（如3或5）。

   from sklearn.neighbors import KNeighborsClassifier
   knn = KNeighborsClassifier(n_neighbors=3)

4. **模型训练**:
- 训练模型使用训练集数据。

   knn.fit(X_train, y_train)

5. **预测与评估**:
- 对测试集应用模型进行预测，并计算准确率等评价指标。

   predictions = knn.predict(X_test)
   from sklearn.metrics import classification_report, accuracy_score
   print("Accuracy:", accuracy_score(y_test, predictions))
   report = classification_report(y_test, predictions)

6. **保存评价指标**:
- 将评估指标（如准确率、精确度、召回率等）写入CSV文件。

   import csv
   with open('evaluation_metrics.csv', 'w', newline='') as csvfile:
       writer = csv.writer(csvfile)
       writer.writerow(["Metric", "Value"])
       writer.writerow(["Accuracy", accuracy_score])
       for key, value in report.items():
           writer.writerow([key, value])

完成上述步骤后，你将得到一个名为"evaluation_metrics.csv"的文件，其中包含KNN分类算法在鸢尾花数据集上的关键性能指标。