用knn算法找鸢尾花中的最优k值手写代码

KNN (K-Nearest Neighbors) 算法是一种基于实例的学习方法，用于分类问题。寻找鸢尾花数据集中的最优k值通常涉及到交叉验证过程，这里我会给出一个简单的Python示例，使用sklearn库来实现：

首先，你需要安装必要的库：

pip install numpy pandas scikit-learn matplotlib

然后，你可以通过以下步骤找到鸢尾花数据集中的最优k值：

import numpy as np
import pandas as pd
from sklearn.datasets import load_iris
from sklearn.model_selection import cross_val_score, KFold
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据
iris = load_iris()
X = iris.data
y = iris.target

# 创建一个模型和k折交叉验证
k_values = list(range(1, 11))  # 考虑的k值范围
cv = KFold(n_splits=5, shuffle=True)

# 计算不同k值下的准确率
accuracies = []
for k in k_values:
    knn = KNeighborsClassifier(n_neighbors=k)
    scores = cross_val_score(knn, X, y, cv=cv)
    accuracies.append(np.mean(scores))

# 找到最优k值
optimal_k = k_values[np.argmax(accuracies)]
print(f"Optimal k value for the Iris dataset is {optimal_k} with an average accuracy of {np.max(accuracies)}")

# 使用最优k值训练模型并测试
best_knn = KNeighborsClassifier(n_neighbors=optimal_k)
best_knn.fit(X, y)
test_accuracy = accuracy_score(y_test, best_knn.predict(X_test))
print(f"Accuracy on test data: {test_accuracy}")

在这个例子中，我们首先加载了鸢尾花数据集，然后使用`cross_val_score`函数对不同k值的KNN模型计算交叉验证分数，并找出最高得分对应的k值作为最优值。