knn鸢尾花分类

### 使用KNN算法对鸢尾花数据集进行分类 以下是实现KNN算法对鸢尾花数据集进行分类的一个完整Python代码示例： ```python from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.neighbors import KNeighborsClassifier from sklearn.metrics import accuracy_score, classification_report # 加载鸢尾花数据集 data = load_iris() X = data.data # 特征矩阵 y = data.target # 标签向量 # 将数据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) # 数据标准化处理 scaler = StandardScaler() X_train_scaled = scaler.fit_transform(X_train) X_test_scaled = scaler.transform(X_test) # 创建KNN模型并设置超参数k knn_model = KNeighborsClassifier(n_neighbors=3, algorithm='kd_tree') # 设置k为3，使用kd树算法[^1] knn_model.fit(X_train_scaled, y_train) # 预测测试集的结果 y_pred = knn_model.predict(X_test_scaled) # 输出预测准确性 accuracy = accuracy_score(y_test, y_pred) print(f"Accuracy: {accuracy * 100:.2f}%") # 打印详细的分类报告 report = classification_report(y_test, y_pred, target_names=data.target_names) print(report) ``` #### 解析 - **加载数据**: `load_iris()` 函数用于加载内置的鸢尾花数据集。该数据集中有三个类别（setosa、versicolor 和 virginica），每个样本具有四个特征（萼片长度、萼片宽度、花瓣长度和花瓣宽度）。这些已知标签使得这是一个监督学习问题[^2]。 - **划分数据集**: 利用`train_test_split`函数将原始数据划分为训练集和测试集，其中80%的数据作为训练集，其余20%作为测试集。 - **标准化**: 对特征进行了标准化预处理，这是为了消除不同尺度的影响，从而提高KNN算法的效果[^4]。 - **构建模型**: 调用了`KNeighborsClassifier`类来创建KNN模型，并设置了`n_neighbors=3`表示选取最靠近目标点的3个邻居来进行投票决策。同时指定了`algorithm='kd_tree'`以优化查找过程[^1]。 - **评估性能**: 计算了模型在测试集上的准确率以及更详尽的分类表现指标。 此程序展示了如何利用sklearn库快速搭建一个基础版的KNN分类器应用于鸢尾花数据集之上[^4]。