matlab knn分类 随机选取每一类鸢尾花的40个样本，共120个样本作为训练集样本，其余的为测试集，取不同的k=3,5,7，分别计算测试集样本的准确率，并画出测试集分类结果和实际分类的可视化图以及不同k值下的准确率图；

好的，这是一个关于使用 MATLAB 进行 k-NN 分类的问题。我会根据你的要求，为你提供一些基本的思路和代码实现方法。

首先，我们需要加载鸢尾花数据集。可以使用 MATLAB 自带的 `load` 函数进行加载：

load fisheriris

这会将鸢尾花数据集加载到 MATLAB 的工作区中，其中包含了 150 个样本和 4 个特征。我们需要对数据集进行预处理，将其分成训练集和测试集，并选取每一类鸢尾花的 40 个样本作为训练集样本。代码如下：

% 分离出每一类鸢尾花的样本
idx = ~strcmp(species,'setosa');
X = meas(idx,:);
Y = species(idx);

% 随机选取每一类鸢尾花的 40 个样本作为训练集样本
trainIdx = false(size(X,1),1);
for i = 1:2
    cIdx = find(strcmp(Y,unique(Y{i})));
    cIdx = cIdx(randperm(length(cIdx),40));
    trainIdx(cIdx) = true;
end
XTrain = X(trainIdx,:);
YTrain = Y(trainIdx);
XTest = X(~trainIdx,:);
YTest = Y(~trainIdx);

接下来，我们可以使用 MATLAB 自带的 `fitcknn` 函数进行 k-NN 分类。代码如下：

% 训练 k-NN 分类器，并设置不同的 k 值
kVals = [3 5 7];
for i = 1:length(kVals)
    knnModel = fitcknn(XTrain,YTrain,'NumNeighbors',kVals(i));
    YPred = predict(knnModel,XTest);

    % 计算准确率
    acc(i) = sum(YPred == YTest) / length(YTest);

    % 绘制分类结果和实际分类的可视化图
    h = figure;
    gscatter(XTest(:,1),XTest(:,2),YPred);
    hold on
    gscatter(XTest(:,1),XTest(:,2),YTest,'k','x');
    title(['k = ' num2str(kVals(i)) '，Accuracy = ' num2str(acc(i))]);
    legend('Predicted','Actual');
    saveas(h,['knn_k' num2str(kVals(i)) '.png']);

    % 关闭图像窗口
    close(h);
end

最后，我们可以绘制不同 k 值下的准确率图。代码如下：

% 绘制不同 k 值下的准确率图
bar(kVals,acc);
xlabel('k');
ylabel('Accuracy');
title('Accuracy vs. k');

这样，我们就完成了一个关于使用 MATLAB 进行 k-NN 分类的问题。