用KNN算法预测iris数据集

鸢尾花（iris）数据集包含150条鸢尾花的数据，每条包含四个参数和一个标签，我们需要根据四个参数来预测出当前这朵花属于哪个类别。

KNN（K Nearest Neighbors）算法是经典的懒惰学习算法，也就是说它没有训练过程，直接根据已有数据进行预测。KNN基于这样一个假设：对当前要预测的数据t，找到和t最相似的k个已知标签的训练数据，然后获取这k条训练数据的标签，把出现次数最多的标签作为t的预测标签。从这个思想中我们可以看出，对于KNN来说，如果数据集中标签数量较少则效果会比较好，如果标签过多，很可能出现与t相似的数据只有非常少的几条，这种情况下就很难得到准确的分类。

代码如下：

# -*- coding=utf8 -*-
from sklearn import datasets
import numpy as np
from sklearn.manifold import TSNE
from sklearn.decomposition import PCA
import matplotlib.pyplot as plt


def get_data():
    # 从sklearn的数据集中获取iris数据
    iris =datasets.load_iris()
    # 洗乱数据
    indices = np.arange(len(iris.data))
    np.random.shuffle(indices)

    # 查看数据的形状
    print(iris.data.shape)
    print(iris.target.shape)
    print(type(iris))
    print(type(iris.data))
    # 分割训练数据集和测试数据集
    split_index = int(len(iri