KNN算法应用-鸢尾花分类

KNN算法是一种基于实例的学习方法，可以用于分类和回归问题。它的基本思想是通过找到与待分类样本最近的k个训练样本，来对该样本进行分类或回归预测。

鸢尾花数据集是一个经典的分类问题，该数据集包含三个品种的鸢尾花，每个品种有50个样本。

下面是使用KNN算法对鸢尾花数据集进行分类的代码示例：

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

# 读取数据集
iris = load_iris()
X = iris.data
y = iris.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 使用KNN算法进行分类
knn = KNeighborsClassifier(n_neighbors=3)
knn.fit(X_train, y_train)

# 预测测试集结果
y_pred = knn.predict(X_test)

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

运行结果如下：

Accuracy: 1.0

可以看到，KNN算法在鸢尾花数据集上的准确率非常高，达到了1.0，说明该算法在这个问题上表现非常好。