按这个给我个KNN分类算法，要求使用交叉验证选择最佳的K值，并评估模型准确率

好的，以下是一个使用交叉验证选择最佳的K值并评估模型准确率的KNN分类算法的示例代码：

import numpy as np
from sklearn.datasets import load_iris
from sklearn.model_selection import KFold
from sklearn.neighbors import KNeighborsClassifier

# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target

# 设置K值的范围
k_range = range(1, 31)

# 定义交叉验证的折数
kfold = KFold(n_splits=10, shuffle=True, random_state=0)

# 定义一个字典存储每个K值对应的准确率
scores = {}

# 遍历K值范围，进行交叉验证
for k in k_range:
    knn = KNeighborsClassifier(n_neighbors=k)
    # 存储每次交叉验证的准确率
    k_scores = []
    for train_index, test_index in kfold.split(X):
        # 划分训练集和测试集
        X_train, X_test = X[train_index], X[test_index]
        y_train, y_test = y[train_index], y[test_index]
        # 训练模型
        knn.fit(X_train, y_train)
        # 计算准确率
        accuracy = knn.score(X_test, y_test)
        k_scores.append(accuracy)
    # 计算平均准确率
    scores[k] = np.mean(k_scores)

# 找到平均准确率最高的K值
best_k = max(scores, key=scores.get)
print("最佳K值为:", best_k)

# 使用最佳K值进行训练和预测
knn = KNeighborsClassifier(n_neighbors=best_k)
knn.fit(X, y)
y_pred = knn.predict(X)

# 计算模型准确率
accuracy = knn.score(X, y)
print("模型准确率为:", accuracy)

这个KNN分类算法使用了10折交叉验证来选择最佳的K值，并且使用了整个数据集来训练和评估模型的准确率。K值的范围设置为1到30，然后遍历每个K值，对于每个K值进行10折交叉验证，计算每次交叉验证的准确率并求出平均准确率。最后选择平均准确率最高的K值作为最佳K值，并使用该K值来训练和预测模型，并计算模型的准确率。