knn预测以下几组数据属于哪一种鸢尾花？ 7.1,3,4 5.9,3,5.1 4.6,3.4,1.4 6.6,6.6,6.6 5.7,4,2.6 输出预测类型和结果

KNN（k-最近邻）算法是一种基于实例的学习方法，它通过比较新的未知样本与训练集中的样本来进行分类。对于给出的数据点，我们需要先确定k值（比如常见的选择是3或5），然后找到这k个最近邻居，看它们多数属于哪种类别。

然而，由于您没有提供完整的鸢尾花数据集，我无法直接使用KNN进行预测。通常的做法是先预处理数据（例如标准化、归一化），然后计算每个测试样本与其他训练样本的距离，并按照距离排序。接着，取前k个最相似的训练样本，依据其类别频数做出决策。

假设我们有完整的数据集，我们可以用Python的scikit-learn库来进行KNN预测：

from sklearn.datasets import load_iris
from sklearn.neighbors import KNeighborsClassifier

# 加载鸢尾花数据集
iris = load_iris()
X_train, y_train = iris.data, iris.target

# 预测函数
def predict_knn(X_test, k=3):
    knn = KNeighborsClassifier(n_neighbors=k)
    knn.fit(X_train, y_train)
    return knn.predict([X_test])

# 提供的数据点
data_points = [[7.1, 3, 4], [5.9, 3, 5.1], [4.6, 3.4, 1.4], [6.6, 6.6, 6.6], [5.7, 4, 2.6]]

predicted_classes = predict_knn(data_points)
print("预测类型：", predicted_classes)

请注意，实际运行这个代码之前，你需要安装sklearn库并导入相应模块。由于这里是一个简化的说明，上述代码不会在没有实际数据集的情况下运行。你可以将`data_points`替换为实际数据集中的一部分，或者从完整数据集中提取出来用于预测。