knn算法python鸢尾花 可视化和模型评估

好的，针对您的问题，我可以提供一些基本的代码示例。

首先，我们需要导入一些必要的库：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report

然后，我们可以加载鸢尾花数据集：

iris = load_iris()
X = iris.data
y = iris.target

接着，我们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(X, y, test_size=0.2, random_state=42)

然后，我们可以使用KNN算法来训练模型：

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：

y_pred = knn.predict(X_test)
print('Accuracy:', accuracy_score(y_test, y_pred))
print('Confusion Matrix:\n', confusion_matrix(y_test, y_pred))
print('Classification Report:\n', classification_report(y_test, y_pred))

最后，我们可能还需要可视化模型的决策边界：

x_min, x_max = X[:, 0].min() - 0.5, X[:, 0].max() + 0.5
y_min, y_max = X[:, 1].min() - 0.5, X[:, 1].max() + 0.5

XX, YY = np.meshgrid(np.arange(x_min, x_max, 0.1),
                     np.arange(y_min, y_max, 0.1))

Z = knn.predict(np.c_[XX.ravel(), YY.ravel()])
Z = Z.reshape(XX.shape)

plt.contourf(XX, YY, Z, alpha=0.4)
plt.scatter(X[:, 0], X[:, 1], c=y, alpha=0.8)
plt.xlabel('Sepal Length')
plt.ylabel('Sepal Width')
plt.title('KNN Decision Boundary')
plt.show()

以上是一些KNN算法在鸢尾花数据集上的基本操作，希望能对您有所帮助！如果您有其他问题，欢迎继续提问。