knn算法python代码鸢尾花

K-最近邻 (K-Nearest Neighbors, KNN) 是一种用于分类和回归的简单机器学习算法。下面是一个使用 Python 和 scikit-learn 库实现的 KNN 算法示例，用于鸢尾花数据集的分类:

# 导入所需的库

from sklearn import datasets

from sklearn.model_selection import train_test_split

from sklearn.neighbors import KNeighborsClassifier

from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集

iris = datasets.load_iris()

X = iris.data

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KNN分类器，设置K值为3

knn = KNeighborsClassifier(n_neighbors=3)

# 用训练数据拟合模型

knn.fit(X_train, y_train)

# 使用模型进行预测

y_pred = knn.predict(X_test)

# 计算模型的准确度

accuracy = accuracy_score(y_test, y_pred)

print(f'准确度: {accuracy}')

# 如果需要，你可以使用模型对新数据进行预测

new_data = [[5.1, 3.5, 1.4, 0.2]]  # 这里用一个样本作为例子

predicted_class = knn.predict(new_data)

print(f'新数据的预测类别: {predicted_class}')

上述代码首先加载鸢尾花数据集，然后将数据集分成训练集和测试集。接下来，创建一个KNN分类器，设置K值为3，使用训练数据拟合模型，然后进行预测并计算准确度。最后，演示如何使用模型对新数据进行分类。

记得安装 scikit-learn 库，你可以使用以下命令：

pip install scikit-learn