分别采用网格搜索和随机搜索方法对KNN模型中的k值进行优化，具体解决鸢尾花分类问题，k取1到20之内的所有奇数。最后输出最优的模型、k值和多分类的各项性能指标、PR曲线和ROC曲线。

好的，我会为您解答这个问题。

首先，我们需要导入一些必要的库和数据集。在这个例子中，我们将使用sklearn库中的鸢尾花数据集和KNeighborsClassifier模型。代码如下：

from sklearn.datasets import load_iris
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import GridSearchCV, RandomizedSearchCV, train_test_split
from sklearn.metrics import classification_report, roc_curve, precision_recall_curve, auc
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# 导入数据
iris = load_iris()
X = iris.data
y = iris.target

接下来，我们将使用网格搜索和随机搜索方法对KNN模型中的k值进行优化。具体代码如下：

# 定义k值的范围
k_range = np.arange(1, 20, 2)

# 定义网格搜索的参数
param_grid = {'n_neighbors': k_range}

# 使用网格搜索方法进行模型优化
grid_search = GridSearchCV(KNeighborsClassifier(), param_grid, cv=5, scoring='accuracy')
grid_search.fit(X, y)

# 使用随机搜索方法进行模型优化
random_search = RandomizedSearchCV(KNeighborsClassifier(), param_distributions=param_grid, n_iter=10, cv=5, scoring='accuracy')
random_search.fit(X, y)

在执行完上述代码后，我们已经得到了网格搜索和随机搜索优化后的最优模型和k值。接下来，我们将输出多分类的各项性能指标、PR曲线和ROC曲线。具体代码如下：

# 打印网格搜索和随机搜索得到的最优模型和k值
print("Grid Search Best Model: ", grid_search.best_estimator_)
print("Grid Search Best K: ", grid_search.best_params_['n_neighbors'])

print("Random Search Best Model: ", random_search.best_estimator_)
print("Random Search Best K: ", random_search.best_params_['n_neighbors'])

# 定义函数绘制PR曲线和ROC曲线
def plot_curves(model, X_test, y_test):
    y_scores = model.predict_proba(X_test)

    # 计算PR曲线和ROC曲线的参数
    precision, recall, thresholds = precision_recall_curve(y_test, y_scores[:, 1])
    fpr, tpr, thresholds_roc = roc_curve(y_test, y_scores[:, 1])
    auc_score = auc(fpr, tpr)

    # 绘制PR曲线和ROC曲线
    fig, axs = plt.subplots(1, 2, figsize=(12, 6))
    axs[0].plot(recall, precision)
    axs[0].set_xlabel("Recall")
    axs[0].set_ylabel("Precision")
    axs[0].set_title("PR Curve (AUC = {:.2f})".format(auc_score))
    axs[1].plot(fpr, tpr)
    axs[1].set_xlabel("False Positive Rate")
    axs[1].set_ylabel("True Positive Rate")
    axs[1].set_title("ROC Curve (AUC = {:.2f})".format(auc_score))
    plt.show()

# 定义函数计算多分类的各项性能指标
def print_metrics(model, X_test, y_test):
    y_pred = model.predict(X_test)
    report = classification_report(y_test, y_pred)
    print(report)

    plot_curves(model, X_test, y_test)

# 使用网格搜索和随机搜索得到的最优模型和k值进行预测和评估
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)
model_grid = grid_search.best_estimator_
model_random = random_search.best_estimator_

print("Grid Search Performance:")
print_metrics(model_grid, X_test, y_test)

print("Random Search Performance:")
print_metrics(model_random, X_test, y_test)

通过上述代码，我们已经得到了多分类的各项性能指标、PR曲线和ROC曲线。您可以根据需要对代码进行修改和调整。