分别采用网格搜索和随机搜索方法对KNN模型中的k值进行优化，具体解决鸢尾花分类问题，k取1到20之内的所有奇数。最后输出最优的模型、k值和多分类的各项性能指标、PR曲线和ROC曲线。

好的，接下来我会给您提供一个代码示例来完成这个任务，代码中使用的数据集是sklearn自带的鸢尾花数据集，您可以根据您的数据集进行相应的修改。

首先，我们需要导入必要的库和数据集：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import GridSearchCV, RandomizedSearchCV
from sklearn.metrics import accuracy_score, classification_report, confusion_matrix, precision_recall_curve, roc_curve

# 载入数据集
iris = load_iris()
X = iris.data
y = iris.target

然后，我们定义一个函数来绘制PR曲线和ROC曲线：

def plot_pr_roc_curve(y_true, y_score):
    """
    绘制PR曲线和ROC曲线
    """
    # 计算PR曲线和ROC曲线的参数
    precision, recall, _ = precision_recall_curve(y_true, y_score)
    fpr, tpr, _ = roc_curve(y_true, y_score)

    # 绘制PR曲线和ROC曲线
    plt.figure(figsize=(10, 5))
    plt.subplot(1, 2, 1)
    plt.plot(recall, precision, 'r-', label='PR Curve')
    plt.xlabel('Recall')
    plt.ylabel('Precision')
    plt.legend()

    plt.subplot(1, 2, 2)
    plt.plot(fpr, tpr, 'b-', label='ROC Curve')
    plt.xlabel('False Positive Rate')
    plt.ylabel('True Positive Rate')
    plt.legend()

    plt.show()

然后，我们使用网格搜索法对KNN模型中的k值进行优化：

# 定义参数空间
param_grid = {'n_neighbors': np.arange(1, 20, 2)}

# 实例化KNN模型
knn = KNeighborsClassifier()

# 实例化网格搜索法
grid_search = GridSearchCV(knn, param_grid, cv=5)

# 训练模型
grid_search.fit(X, y)

# 输出最优模型和最优参数
print("Best Model:", grid_search.best_estimator_)
print("Best Parameters:", grid_search.best_params_)

# 预测结果
y_pred = grid_search.predict(X)

# 输出分类报告和混淆矩阵
print("Classification Report:")
print(classification_report(y, y_pred))
print("Confusion Matrix:")
print(confusion_matrix(y, y_pred))

# 绘制PR曲线和ROC曲线
y_score = grid_search.predict_proba(X)
plot_pr_roc_curve(y, y_score[:, 1])

接下来，我们使用随机搜索法对KNN模型中的k值进行优化：

# 定义参数空间
param_dist = {'n_neighbors': np.arange(1, 20, 2)}

# 实例化KNN模型
knn = KNeighborsClassifier()

# 实例化随机搜索法
random_search = RandomizedSearchCV(knn, param_distributions=param_dist, cv=5, n_iter=10)

# 训练模型
random_search.fit(X, y)

# 输出最优模型和最优参数
print("Best Model:", random_search.best_estimator_)
print("Best Parameters:", random_search.best_params_)

# 预测结果
y_pred = random_search.predict(X)

# 输出分类报告和混淆矩阵
print("Classification Report:")
print(classification_report(y, y_pred))
print("Confusion Matrix:")
print(confusion_matrix(y, y_pred))

# 绘制PR曲线和ROC曲线
y_score = random_search.predict_proba(X)
plot_pr_roc_curve(y, y_score[:, 1])

以上就是使用网格搜索和随机搜索优化KNN模型中的k值，并输出分类性能指标、PR曲线和ROC曲线的完整代码示例。