python写代码，150个鸢尾花(iris)样本聚为3类，并与实际分类进行比较。

在Python中，我们可以使用sklearn库中的Iris数据集来进行这个示例。Iris数据集是一个经典的数据分析任务，通常用于机器学习入门，因为它包含三个类别共150个样本。以下是使用scikit-learn完成这个任务的一个简单步骤：

# 导入所需库
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import classification_report

# 加载Iris数据
iris = load_iris()
X = iris.data  # 特征
y = iris.target  # 类别标签

# 数据预处理：标准化特征
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)

# 使用KNN分类器，假设k=3（因为有3类）
knn = KNeighborsClassifier(n_neighbors=3)
knn.fit(X_train, y_train)

# 预测并评估模型
y_pred = knn.predict(X_test)
print("Classification Report:")
print(classification_report(y_test, y_pred))

# 比较预测结果与实际分类
# 这里会显示出每个类别的精确度、召回率和F1分数等指标，可以直观地看到模型性能

在这个例子中，我们首先加载数据，然后将数据划分为训练集和测试集。接着，使用K近邻算法对训练数据进行训练，然后在测试集上做预测。最后，通过`classification_report`函数得到详细的分类对比。