利用KNN算法，K=3对iris数据集进行分类。将训练集和测试集按照90%，10%比例分割。画出决策边界，绘制预测结果图，输出准确率和相关评分

好的，针对您的问题，我可以给出以下解答：

首先，需要加载iris数据集，并将其划分为训练集和测试集：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier

iris = load_iris()
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.1, random_state=42)

然后，创建一个KNN分类器，并使用训练集对其进行拟合：

knn = KNeighborsClassifier(n_neighbors=3)
knn.fit(X_train, y_train)

接下来，我们可以使用测试集对模型进行评估，并计算准确率和相关评分：

from sklearn.metrics import accuracy_score, classification_report

y_pred = knn.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
report = classification_report(y_test, y_pred)

print(f"Accuracy: {accuracy}")
print(f"Report:\n{report}")

最后，我们可以绘制决策边界和预测结果图：

import numpy as np
import matplotlib.pyplot as plt
from mlxtend.plotting import plot_decision_regions

# 将数据集转换为二维数组，以便进行绘制
X = iris.data[:, :2]
y = iris.target

# 训练模型
knn = KNeighborsClassifier(n_neighbors=3)
knn.fit(X, y)

# 绘制决策边界和预测结果图
plot_decision_regions(X, y, clf=knn, legend=2)

plt.xlabel("Sepal length (cm)")
plt.ylabel("Sepal width (cm)")
plt.title("KNN on Iris Dataset")
plt.show()

以上就是利用KNN算法，K=3对iris数据集进行分类的解答，希望能对您有所帮助。