### 使用 `sklearn.neighbors` 对鸢尾花数据集进行分类预测 为了实现基于K近邻算法(KNN)的鸢尾花数据集分类预测，可以按照如下方式构建模型： #### 导入必要的库并加载数据 ```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 classification_report, confusion_matrix import pandas as pd ``` 首先，加载鸢尾花数据集，并对其进行标准化处理以便更好地训练模型。 ```python # 加载鸢尾花数据集 data = load_iris() X = data.data y = data.target # 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 scaler = StandardScaler().fit(X_train) X_train_scaled = scaler.transform(X_train) X_test_scaled = scaler.transform(X_test) ``` #### 构建与评估KNN模型 接下来，创建一个KNN分类器实例，并通过调整参数k来优化性能。这里使用交叉验证技术寻找最佳k值[^2]。 ```python best_k = 1 best_score = 0.0 for k in range(1, 31): knn = KNeighborsClassifier(n_neighbors=k) scores = cross_val_score(knn, X_train_scaled, y_train, cv=5, scoring='accuracy') score_mean = scores.mean() if score_mean > best_score: best_k = k best_score = score_mean print(f'Best value of k={best_k} with mean accuracy {best_score:.3f}') # 使用最优k值建立最终模型 final_model = KNeighborsClassifier(n_neighbors=best_k).fit(X_train_scaled, y_train) predictions = final_model.predict(X_test_scaled) # 输出混淆矩阵以及分类报告 confusion_mat = confusion_matrix(y_test, predictions) class_rep = classification_report(y_test, predictions) print("Confusion Matrix:\n", confusion_mat) print("\nClassification Report:\n", class_rep) ``` 上述过程展示了如何利用 `sklearn.neighbors.KNeighborsClassifier` 来完成鸢尾花数据集上的多类别分类任务。值得注意的是，在实际应用中可能还需要进一步探索不同距离度量方法的影响等因素以提升模型表现。