你的代码出现错误Expected 'estimator' to be a binary classifier, but got GridSearchCV fit on multiclass (3 classes) data

这个错误是由于在二分类的情况下，模型输出的标签只有0和1两种可能，而在多分类的情况下，模型输出的标签有多个可能，因此需要使用不同的评估指标和绘图方法。

首先，你可以将KNeighborsClassifier中的参数weights设置为'uniform'，这样可以保证每个邻居的权重相同。然后，你可以使用sklearn.metrics中的multiclass模块中的方法来计算多分类问题的性能指标。具体来说，你可以使用multiclass.confusion_matrix函数计算混淆矩阵，使用multiclass.classification_report函数计算分类报告。

以下是修改后的代码示例：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split, GridSearchCV, RandomizedSearchCV
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import confusion_matrix, classification_report, plot_precision_recall_curve, plot_roc_curve
from sklearn.preprocessing import label_binarize
from sklearn.multiclass import OneVsRestClassifier
from sklearn.preprocessing import label_binarize


# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target

# 将标签进行二值化处理
y = label_binarize(y, classes=[0, 1, 2])

# 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)

# 定义KNN模型
knn = KNeighborsClassifier(weights='uniform')

# 定义需要搜索的参数空间
param_grid = {'n_neighbors': np.arange(1, 21, 2)}

# 网格搜索优化KNN模型
grid_search = GridSearchCV(knn, param_grid=param_grid, cv=5)
grid_search.fit(X_train, y_train)

# 随机搜索优化KNN模型
random_search = RandomizedSearchCV(knn, param_distributions=param_grid, cv=5, n_iter=10)
random_search.fit(X_train, y_train)

# 输出最优模型和最优k值
print("Grid Search: Best Model -", grid_search.best_estimator_)
print("Grid Search: Best k -", grid_search.best_params_['n_neighbors'])
print("Random Search: Best Model -", random_search.best_estimator_)
print("Random Search: Best k -", random_search.best_params_['n_neighbors'])

# 在测试集上评估模型性能
y_pred_grid = grid_search.predict(X_test)
y_pred_random = random_search.predict(X_test)

# 计算混淆矩阵，输出分类报告
cm_grid = confusion_matrix(y_test.argmax(axis=1), y_pred_grid.argmax(axis=1))
cm_random = confusion_matrix(y_test.argmax(axis=1), y_pred_random.argmax(axis=1))
print("Grid Search: Confusion Matrix\n", cm_grid)
print("Random Search: Confusion Matrix\n", cm_random)

print("Grid Search: Classification Report\n", classification_report(y_test.argmax(axis=1), y_pred_grid.argmax(axis=1)))
print("Random Search: Classification Report\n", classification_report(y_test.argmax(axis=1), y_pred_random.argmax(axis=1)))

# 绘制PR曲线和ROC曲线
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 6))

plot_precision_recall_curve(grid_search, X_test, y_test, ax=ax1, name="Grid Search")
plot_precision_recall_curve(random_search, X_test, y_test, ax=ax1, name="Random Search")

plot_roc_curve(grid_search, X_test, y_test, ax=ax2, name="Grid Search")
plot_roc_curve(random_search, X_test, y_test, ax=ax2, name="Random Search")

plt.show()

这份代码中，首先使用label_binarize将标签二值化，然后将KNeighborsClassifier中的参数weights设置为'uniform'。接着，计算混淆矩阵和分类报告时使用multiclass中的函数，并将预测标签和真实标签分别使用argmax函数转换为类别标签。最后，在绘制PR曲线和ROC曲线时，使用OneVsRestClassifier将KNN模型转换为多分类模型。