plot_iris_knn

您可以使用以下代码来绘制鸢尾花数据集的K最近邻（K-Nearest Neighbors）分类器的决策边界：

import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split
from mlxtend.plotting import plot_decision_regions

# 加载鸢尾花数据集
iris = load_iris()
X = iris.data[:, [0, 2]]
y = iris.target

# 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=0.3, random_state=42)

# 创建K最近邻分类器
knn = KNeighborsClassifier(n_neighbors=3)

# 拟合分类器
knn.fit(X_train, y_train)

# 绘制决策边界
plot_decision_regions(X=X, y=y, clf=knn, legend=2)

# 设置图形属性
plt.xlabel('sepal length (cm)')
plt.ylabel('petal length (cm)')
plt.title('KNN Decision Boundary - Iris dataset')

# 显示图形
plt.show()

这段代码使用了`load_iris`函数加载鸢尾花数据集，并选择了两个特征（花萼长度和花瓣长度）作为输入特征。然后，它将数据集划分为训练集和测试集，并创建了一个K最近邻分类器。接下来，使用`plot_decision_regions`函数绘制了分类器的决策边界，并添加了相应的图形属性。最后，使用`plt.show()`显示图形。