编写一个程序，使用scikit-learn库中的K-近邻算法（KNN）对鸢尾花数据集进行分类。要求程序使用Sklearn自带工具计算并输出模型的准确率。

当然，我们可以使用Python和Scikit-learn库中的K-最近邻(KNN)算法来对鸢尾花数据集进行分类。以下是详细的步骤：

# 导入所需库
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn import metrics

# 加载鸢尾花数据集
iris = datasets.load_iris()
X = iris.data  # 特征数据
y = iris.target  # 类别标签

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 创建KNN分类器，设置k值为3（可以根据需要调整）
knn = KNeighborsClassifier(n_neighbors=3)

# 使用训练数据拟合模型
knn.fit(X_train, y_train)

# 预测测试集
y_pred = knn.predict(X_test)

# 计算准确率
accuracy = metrics.accuracy_score(y_test, y_pred)
print("模型的准确率为：", accuracy)

在这个例子中，我们首先加载了鸢尾花数据集，然后将其拆分为训练集和测试集。接着，我们创建了一个KNN分类器，并使用训练数据对其进行训练。最后，我们预测了测试集的类别，并计算了预测的准确性。