实验代码：
# 导入所需要的库
import numpy as np
import pandas as pd
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
# 导入数据集
df = pd.read_csv('C:\\Users\\Administrator\\Desktop\\iris.csv')
# 提取特征和标签
X = df.iloc[:, 0:4].values
y = df.iloc[:, 4].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=0.2, random_state=0)
# 建立 KNN 模型
"""
1. n_neighbors：整数值，表示要考虑的最近邻的数量。
2. weights：可以是'uniform'或者是'distance'，表示在计算最近邻的距离时考虑的权重，'uniform'表示所有最近邻的距离权重都一样，而'distance'表示距离越近的最近邻权重越大。
3. algorithm：可以是'ball_tree'、'kd_tree'或者'brute'，表示使用何种算法来计算最近邻的距离。
4. leaf_size：整数值，表示在构建 ball_tree 或者 kd_tree 时考虑的叶节点的尺寸。
5. metric：字符串值，表示使用何种度量来计算最近邻的距离，常用的有'euclidean'（欧几里得距离）和'minkowski'（闵可夫斯基距离）。
"""
knn = KNeighborsClassifier(n_neighbors=5)
knn.fit(X, y)
# 训练模型
knn.fit(X_train, y_train)
# 预测测试集结果
y_pred = knn.predict(X_test)
# 计算准确率
accuracy = knn.score(X_test, y_test)
# 打印准确率
print("Accuracy: {}".format(accuracy))
实验结果：
数据集：
见所提供资料
