导入 IRIS 数据集 将 IRIS 数据集随机划分成训练集（120个样本），测试集（30个样本） 使用 KNN 进行分类方法分析的代码

以下是导入 IRIS 数据集，划分数据集并使用 KNN 分类的 Python 代码：

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

# 导入 IRIS 数据集
iris = load_iris()
X, y = iris.data, iris.target

# 随机划分数据集，将 120 个样本作为训练集，30 个样本作为测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=123)

# 使用 KNN 分类器进行分类
knn = KNeighborsClassifier(n_neighbors=3)
knn.fit(X_train, y_train)
accuracy = knn.score(X_test, y_test)
print("Test accuracy:", accuracy)

该代码首先使用 scikit-learn 库中的 `load_iris` 函数导入 IRIS 数据集，然后使用 `train_test_split` 函数随机将数据集划分成训练集和测试集。接着，创建一个 KNN 分类器并使用 `fit` 函数在训练集上拟合模型，最后使用 `score` 函数在测试集上计算分类器的准确率。