使用KNN对鸢尾花iris数据集进行分类的完整代码中如何评估KNN模型在测试集上的性能?

在使用K-Nearest Neighbors (KNN)算法对鸢尾花Iris数据集进行分类并评估模型性能时，通常我们会按照以下步骤操作：

1. 导入必要的库：

import numpy as np
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, confusion_matrix, accuracy_score

2. 加载和预处理数据：

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

# 数据划分（常见的70%训练，30%测试）
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 对数据进行标准化，因为KNN对数值敏感
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

3. 创建并训练KNN模型：

k_values = [1, 3, 5]  # 可尝试不同的k值
for k in k_values:
    knn = KNeighborsClassifier(n_neighbors=k)
    knn.fit(X_train, y_train)

4. 预测测试集：

y_pred = knn.predict(X_test)

5. 评估模型性能：

print("对于k =", k, ":\n")
print("Confusion Matrix:")
print(confusion_matrix(y_test, y_pred))
print("\nClassification Report:")
print(classification_report(y_test, y_pred))
print("Accuracy:", accuracy_score(y_test, y_pred))

通过以上步骤，你可以得到不同k值下模型在测试集上的精确度、召回率、F1分数以及混淆矩阵，从而了解模型的分类效果。你可以选择最佳的k值作为最终模型。