学习机器学习默认导入库：
%matplotlib notebook import numpy as np import matplotlib.pyplot as plt import pandas as pd import mglearn
分析过程：
我们构思了一项任务，要利用鸢尾花的物理测量数据来预测其品种。我们在构建模型时用到了由专家标注过 的测量数据集，专家已经给出了花的正确品种，因此这是一个监督学习问题。一共有三个 品种：setosa、versicolor 或 virginica，因此这是一个三分类问题。在分类问题中，可能的 品种被称为类别（class），每朵花的品种被称为它的标签（label）。
鸢尾花（Iris）数据集包含两个 NumPy 数组：一个包含数据，在 scikit-learn 中被称为 X； 一个包含正确的输出或预期输出，被称为 y。数组 X 是特征的二维数组，每个数据点对应 一行，每个特征对应一列。数组 y 是一维数组，里面包含一个类别标签，对每个样本都是 一个 0 到 2 之间的整数。
我们将数据集分成训练集（training set）和测试集（test set），前者用于构建模型，后者用 于评估模型对前所未见的新数据的泛化能力。
我们选择了 k 近邻分类算法，根据新数据点在训练集中距离最近的邻居来进行预测。该算 法在 KNeighborsClassifier 类中实现，里面既包含构建模型的算法，也包含利用模型进行 预测的算法。我们将类实例化，并设定参数。然后调用 fit 方法来构建模型，传入训练数 据（X_train）和训练输出（y_trian）作为参数。我们用 score 方法来评估模型，该方法 计算的是模型精度。我们将 score 方法用于测试集数据和测试集标签，得出模型的精度约 为 97%，也就是说，该模型在测试集上 97% 的预测都是正确的。