（一）实验目的与背景

        基于python的sklearn库与pandas库，通过k-近邻算法（KNN）实现鸢尾花三分类模型的构建。

        scikit-learn是Python中一个强大的机器学习库，提供了各种监督学习和无监督学习算法。

        鸢尾花数据集为机器学习中经典的数据集，包含150个样本，其中每个样本包含4个特征（萼片长度、萼片宽度、花瓣长度、花瓣宽度）和1个类别标签（Setosa、Versicolour、Virginica）。

        K近邻是一种基于实例的学习算法，通过计算待分类样本与训练样本的距离，选取距离最近的K个样本，根据这K个样本的类别投票决定待分类样本的类别。

（二）实验过程

        数据导入与探索：导入必要的库：numpy、pandas、matplotlib、seaborn、sklearn等，并加载鸢尾花数据集并进行初步探索。

        数据预处理：将数据集分为特征(X)和目标变量(y)，使用StandardScaler对特征进行标准化处理，将数据集划分为训练集和测试集（75%训练，25%测试）。

        模型训练：初始化K近邻分类器（K=3）并在训练集上拟合模型。

        模型评估：在测试集上进行预测，并计算准确度、混淆矩阵和分类报告。

（三）代码实现

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
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, confusion_matrix

#（1）读取数据
data = pd.read_csv('iris.csv', header=None)# 数据集来自本地下载
data.columns = ['sepal_length', 'sepal_width', 'petal_length', 'petal_width', 'species']

#（2）数据探索
X = data.iloc[0:150,[0,2]].values # 取前150行，前第0列和第2列的数据，即花瓣宽度和萼片长度
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.scatter(X[0:50,0],X[:50,1],color = 'blue',marker='x',label=('山鸢尾花 setosa'))
plt.scatter(X[50:100,0],X[50:100,1],color='red',marker='o',label=('变色鸢尾花 versicolor'))
plt.scatter(X[100:150,0],X[100:150,1],color='green',marker='*',label=('维吉尼鸢尾花 virginica'))
plt.xlabel('瓣宽 petal width')
plt.ylabel('萼长 sepal length')
plt.legend(loc='upper left')
plt.show()

#（3）数据预处理
# 定义特征和标签
X = data.iloc[:, :-1].values
y = data.iloc[:, -1].values 

# 将数据集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=7）

# 特征标准化
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

#（4）KNN模型构建
# 创建KNN分类器
knn = KNeighborsClassifier(n_neighbors=3)

# 训练模型
knn.fit(X_train, y_train)

# 预测
y_pred = knn.predict(X_test)

# 评估模型
print("准确度:", accuracy_score(y_test, y_pred))
print("混淆矩阵:\n", confusion_matrix(y_test, y_pred))
print("分类报告:\n", classification_report(y_test, y_pred))

（四）实验结果

1.以花瓣宽度与萼片长度为标准的类别分布（数据探索）：

        可以看出以以花瓣宽度与萼片长度为标准的情况下，山鸢尾花的区别十分明显，变色鸢尾花与维吉尼鸢尾花的区别较为明显，但仍有相似的样本。

2.模型评估结果：

        可以看出三个指标均为最佳，模型在测试集上完美分类了所有样本。

（五）总结 

        本实验成功实现了使用K近邻算法对鸢尾花数据集进行三分类的任务，并取得了完美的分类效果（因为鸢尾花数据集本身特征区分度较高），同时了解了机器学习分类任务的基本流程，为后续更复杂的机器学习项目打下了基础。