KNN算法，并对鸢尾花数据集进行分类。

KNN算法是一种基于实例的学习算法，它通过计算待分类样本与已知类别样本之间的距离，选择距离最近的K个样本，根据这K个样本的类别进行投票，从而确定待分类样本的类别。

下面我们使用Python实现KNN算法，并对鸢尾花数据集进行分类。

首先，我们需要导入必要的库。在这个例子中，我们将使用scikit-learn库的load_iris函数加载鸢尾花数据集，并使用train_test_split函数将数据集划分为训练集和测试集。我们还将使用numpy库计算距离。代码如下：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
import numpy as np

# 加载鸢尾花数据集
iris = load_iris()

# 将数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3, random_state=0)

# 计算欧式距离
def euclidean_distance(x1, x2):
    return np.sqrt(np.sum((x1 - x2)**2))

接下来，我们定义KNN算法的主要函数。在这个函数中，我们将计算待分类样本与每个已知类别样本之间的距离，并选择距离最近的K个样本。然后，我们将根据这K个样本的类别进行投票，并返回待分类样本的类别。代码如下：

# KNN算法
def knn(X_train, X_test, y_train, y_test, k):
    # 预测结果列表
    predictions = []
    
    # 对于每个测试样本
    for i in range(len(X_test)):
        # 计算测试样本与每个训练样本之间的距离
        distances = [euclidean_distance(X_test[i], x) for x in X_train]
        
        # 选择距离最近的K个样本
        k_indices = np.argsort(distances)[:k]
        
        # 根据这K个样本的类别进行投票
        k_nearest_labels = [y_train[i] for i in k_indices]    
        most_common = max(set(k_nearest_labels), key=k_nearest_labels.count)
        
        # 将预测结果添加到预测结果列表中
        predictions.append(most_common)
        
    # 计算模型的准确率
    accuracy = np.sum(predictions == y_test) / len(y_test)
    
    return accuracy

最后，我们调用knn函数，并输出模型的准确率。代码如下：

# 测试KNN算法
k = 5
accuracy = knn(X_train, X_test, y_train, y_test, k)
print("KNN算法的准确率为：", accuracy)

运行以上代码，即可得到KNN算法在鸢尾花数据集上的准确率。