python鸢尾花数据集分类knn

Python中的鸢尾花数据集（Iris dataset）是一个经典的机器学习入门示例，它包含150个样本，每个样本有4个特征（花瓣长度、花瓣宽度、萼片长度、萼片宽度），共三个类别：山鸢尾（Setosa）、维吉尼亚鸢尾（Versicolour）和变色鸢尾（Virginica）。K-最近邻算法（KNN，k-Nearest Neighbors）是一种基于实例的学习方法，在这个数据集中常用于演示监督学习的简单分类。

当你使用KNN对鸢尾花数据集进行分类时，会做如下的步骤：
1. 加载数据：可以使用sklearn库中的load_iris()函数加载数据集。

from sklearn.datasets import load_iris
data = load_iris()

2. 数据预处理：通常不需要太多预处理，因为鸢尾花的数据已经标准化过。
3. 划分数据集：将数据分为训练集和测试集。

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(data.data, data.target, test_size=0.2)

4. 初始化并应用KNN模型：选择一个合适的k值，例如3或5，来进行分类。

from sklearn.neighbors import KNeighborsClassifier
knn = KNeighborsClassifier(n_neighbors=3)
knn.fit(X_train, y_train)

5. 预测：对测试集进行预测，并计算准确率。

y_pred = knn.predict(X_test)
accuracy = knn.score(X_test, y_test)