import ... iris = datasets.load_iris() from sklearn.preprocessing import MinMaxScaleriris_data=MinMaxScaler().fit_transform(iris.data)pnint(ini.s...data[0.:.5..;J) iris_df=pd.DataFrame(iris_data,columns=[ ' Sepal Length ', 'Sepal Width ', 'Petal Length ',' Petal iris_df[ 'target ' ]=iris.target fnom sklearn.model_selection import train_test_split X_train，X_test,y_train,y_test = train_test_split(iris_df.iloc[ :,0:4], inis..df[ 'target ' ], random_state=.14) from sklearn.neighbors import KNeighborsClassifierknn = KNeighborsClassifier() knn.fit(X_train, y_train) y_predicted = knn.predict(x_test) accuracy = np.mean(y_predicted == y_test) *109print( '当前分类评估器是:knn ') print( '当前Accuracy是:%.1f' %accuracy + '%')使用的算法

这段代码使用了K近邻算法对鸢尾花数据集进行了分类，并输出了分类的准确率。

具体来说，首先，我们使用datasets.load_iris()函数从sklearn.datasets中加载鸢尾花数据集，并使用MinMaxScaler()函数对数据集进行了归一化处理。

然后，我们使用train_test_split()函数将鸢尾花数据集划分成了训练集和测试集，其中训练集占比为75%。

接着，我们创建了一个KNeighborsClassifier()类的实例knn，并使用fit()方法在训练集上拟合了K近邻模型。

接下来，我们使用predict()方法对测试集进行预测，并将预测结果保存到y_predicted中。使用np.mean()函数计算预测准确率，并将结果保存到accuracy中。

最后，我们输出分类评估器的名称和准确率。