KNN分类器实验，通过python库获取鸢尾花数据集， 生成随机样本或者自定义样本，基于KNN模型给出样本类别预测结果。

在Python中，我们可以使用sklearn库中的K-Nearest Neighbors (KNN)算法来完成鸢尾花（Iris）数据集的分类任务。以下是基本步骤：

1. **导入所需库**：

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
import numpy as np

2. **加载鸢尾花数据集**：

iris = datasets.load_iris()
X = iris.data
y = iris.target

3. **数据预处理和分割**：
- 将数据划分为训练集和测试集：

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

4. **初始化KNN分类器并训练模型**：

knn = KNeighborsClassifier(n_neighbors=3)  # 设定邻居数
knn.fit(X_train, y_train)

5. **生成随机样本或自定义样本**：
- 首先需要创建新的特征向量，例如通过numpy生成随机样本：

   new_sample = np.random.rand(4)  # 假设鸢尾花有四个特征

或者如果自定义样本，替换上述行即可。

6. **预测新样本类别**：

prediction = knn.predict([new_sample])  # 使用训练好的模型对新样本进行预测

7. **检查预测结果**：

print(f"预测的新样本属于类别 {np.argmax(prediction)}")