利用sklearn实现KNN模型，并找到最优的k值

以下是一个利用sklearn实现KNN模型，并找到最优k值的示例代码：

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

# 加载数据集
iris = load_iris()

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3, random_state=42)

# 定义k值列表
k_list = list(range(1, 31))

# 定义最优的k值和最高的准确率
best_k = 0
best_score = 0

# 循环测试不同的k值
for k in k_list:
    knn = KNeighborsClassifier(n_neighbors=k)
    knn.fit(X_train, y_train)
    y_pred = knn.predict(X_test)
    score = accuracy_score(y_test, y_pred)
    if score > best_score:
        best_k = k
        best_score = score

# 输出最优的k值和最高的准确率
print("Best k:", best_k)
print("Best score:", best_score)

在这个示例中，我们使用了sklearn的iris数据集，并将其划分为训练集和测试集。然后，我们定义了一个k值列表，从1到30。在循环中，我们使用不同的k值来训练KNN模型，并在测试集上计算准确率。如果该准确率高于之前的最高准确率，则更新最优k值和最高准确率。最后，我们输出最优k值和最高准确率。

注意，这个示例代码只是为了演示如何使用sklearn实现KNN模型，并找到最优k值。在实际应用中，我们可能需要使用交叉验证等更加严谨的方法来选择最优的k值。