利用KNN算法对鸢尾花数据集进行种类预测和模型优化

def k6():#用knn对鸢尾花数据集进行模型评估预测
    #导入鸢尾花数据集
    from sklearn.datasets import load_iris
    #导入数据集拆分器
    from sklearn.model_selection import train_test_split
    #导入网格搜索和交叉验证器
    from sklearn.model_selection import GridSearchCV
    #导入特征工程-数据标准化处理
    from sklearn.preprocessing import StandardScaler
    #导入KNN算法
    from  sklearn.neighbors import KNeighborsClassifier
    #知道数据集的键值和数据的shape
    print('鸢尾花数据集键；\n',load_iris().keys())
    print('数据类型：\n',load_iris().data.shape)
    #将数据特征值，标签值传参
    x,y=load_iris().data,load_iris().target
    #进行数据集的训练集，测试集拆分
    x_train,x_test,y_train,y_test=train_test_split(x,y,random_state=3)
    #将估计器实例化
    knn=KNeighborsClassifier()
    #进行数据标准化处理
    transfer=StandardScaler()
    x_train=transfer.fit_transform(x_train)
    x_test=transfer.transform(x_test)
    #进行网格优化和K折交叉处理
    ppp={'n_neighbors':[1,3,5,7,9,11,13]}
    knn=GridSearchCV(knn,param_grid=ppp,cv=10)
    #数据的拟合
    knn.fit(x_train,y_train)
    print('测试数据集得分：','%.3f'%knn.score(x_test,y_test))
    #通过测试集数据进行预测
    print('进行数据预测：',knn.predict(x_test))
    print('数据预测与真实值比较：',y_test==knn.predict(x_test))
    '''通过模型选择和模型优化可以得到其最佳参数，最佳结果，最佳估计器，交叉验证结果'''
    print('最佳参数：\n',knn.best_params_)
    print('最佳结果：\n',knn.best_score_)
    print('最佳估计器：\n',knn.best_estimator_)
    print('交叉验证结果：\n',knn.cv_results_)
k6()