### 使用 KNN 算法在 Jupyter Notebook 中实现鸢尾花分类 #### 导入必要的库 要在 Jupyter Notebook 中使用 Scikit-Learn 的 KNN 算法来处理鸢尾花数据集，首先需要导入所需的 Python 库。 ```python import numpy as np import matplotlib.pyplot as plt from sklearn import datasets 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 ``` #### 加载并准备数据 加载鸢尾花数据集，并将其划分为特征矩阵 `X` 和标签向量 `y`。接着将数据集分割成训练集和测试集以便评估模型性能[^1]。 ```python # 加载鸢尾花数据集 iris = datasets.load_iris() X = iris.data y = iris.target # 将数据集拆分成训练集和测试集 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() X_train = scaler.fit_transform(X_train) X_test = scaler.transform(X_test) ``` #### 创建 KNN 分类器对象 创建一个 KNN 分类器实例，并指定邻居的数量（即 k 值）。在这个例子中，选择了一个合适的 k 值 11，因为这个值在此前的研究中被证明能给出较好的效果[^4]。 ```python classifier = KNeighborsClassifier(n_neighbors=11) ``` #### 训练模型与预测 利用训练好的 KNN 模型对未知样本进行类别预测之前，先要让该模型基于已知的数据完成学习过程；之后就可以用此模型来进行新的预测了。 ```python # 训练模型 classifier.fit(X_train, y_train) # 预测测试集中的结果 y_pred = classifier.predict(X_test) ``` #### 结果分析 最后一步是对模型的表现做出评价，通过混淆矩阵以及分类报告的形式查看具体表现情况。 ```python print(confusion_matrix(y_test, y_pred)) print(classification_report(y_test, y_pred)) ``` 上述代码展示了完整的流程，在 Jupyter Notebook 上运行这些命令即可得到关于鸢尾花种类识别的任务解决方案。值得注意的是，KNN 是一种懒惰学习方法，这意味着它不会显式地构建任何内部表示形式，而是简单地存储整个训练数据集用于后续查询时的距离计算[^3]。