knn算法实现鸢尾花分类

KNN（K-Nearest Neighbors）算法是一种基于实例的学习（Instance-Based Learning）方法，也是一种非参数化的分类（Classification）和回归（Regression）算法。在KNN算法中，样本的类别与其邻居的类别有关，即将一个测试样本的类别归为其K个最近邻居中占比最大的类别。

下面是使用KNN算法实现鸢尾花分类的Python代码，数据集采用sklearn中自带的鸢尾花数据集：

# 导入相关库
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()

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3, random_state=42)

# 创建KNN模型
knn = KNeighborsClassifier(n_neighbors=3)

# 拟合模型
knn.fit(X_train, y_train)

# 预测
y_pred = knn.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print('准确率：', accuracy)

在上述代码中，首先导入所需的库和鸢尾花数据集，然后使用train_test_split函数将数据集划分为训练集和测试集，其中测试集占总样本数的30%。接着创建KNN模型，其中n_neighbors=3表示将测试样本的类别归为其3个最近邻居中占比最大的类别。然后使用fit函数拟合模型，并使用predict函数对测试集进行预测。最后计算准确率并输出结果。

需要注意的是，KNN算法对数据集的特征值进行了标准化处理，以避免某些特征值对结果的影响过大。因此，在实际应用中，我们可能需要对数据集进行标准化处理。