Python鸢尾花分类代码：基于KNN算法，准确率达85%

本文提供了一个使用Python和scikit-learn库进行鸢尾花分类的代码示例，该示例基于K最近邻（K-Nearest Neighbors）算法，可以达到约85%的准确率。

from sklearn.datasets import load_iris
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 = load_iris()

# 划分数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=42)

# 创建KNN分类器
knn = KNeighborsClassifier(n_neighbors=3)

# 训练模型
knn.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = knn.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print('准确率：', accuracy)

这段代码首先通过load_iris()函数加载鸢尾花数据集，然后使用train_test_split()函数将数据集划分为训练集和测试集。接下来，创建K最近邻分类器，并使用训练集进行模型训练。最后，使用测试集进行预测，并计算准确率。

需要注意的是:

准确率的具体值可能会因数据集划分和模型参数的不同而有所变化。
如果你想提高准确率，可以尝试调整模型参数、尝试其他分类算法或进行特征工程等。

希望这个代码示例对你有所帮助！如果还有其他问题，请随时提问。