实现鸢尾花数据集knn分类，并计算正确率（每类中各取20个测试）

好的，对于您的问题，我可以为您提供一个基本的代码示例：

import numpy as np
from sklearn import datasets
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split

# 加载鸢尾花数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 构建KNN分类器
knn = KNeighborsClassifier(n_neighbors=3)

# 训练模型
knn.fit(X_train, y_train)

# 预测
y_pred = knn.predict(X_test)

# 计算正确率
accuracy = np.sum(y_test == y_pred) / len(y_test)
print('Accuracy: ', accuracy)

该代码通过sklearn库实现了对于鸢尾花数据集的knn分类，并计算出了正确率。其中，数据集被划分成了训练集和测试集，需要保证训练集和测试集的样本均匀地分布于所有类别。KNN的正确率受多种因素的影响，如k值的选取、距离度量标准的选择等，可以通过实验获得最佳的参数设置。