Python实现KNN分类算法：鸢尾花数据集示例

下面是一个用Python实现KNN分类实验的示例代码：

import numpy as np
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)

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

# 拟合训练集
knn.fit(X_train, y_train)

# 预测测试集
y_pred = knn.predict(X_test)

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

在这个示例中，我们使用sklearn库中的load_iris函数加载了鸢尾花数据集。然后，我们使用train_test_split函数将数据集划分为训练集和测试集，比例为0.2。接下来，我们使用KNeighborsClassifier构建了一个KNN分类器，并使用训练集拟合该分类器。最后，我们使用训练好的分类器对测试集进行预测，并使用accuracy_score函数计算准确率。

注意：这个示例只是给出了KNN分类实验的基本代码框架，实际应用中可能需要进行更多的数据预处理和参数调优等操作。