學習機器學習默認導入庫：
%matplotlib notebook import numpy as np import matplotlib.pyplot as plt import pandas as pd import mglearn
分析過程：
我們構思了一項任務，要利用鳶尾花的物理測量數據來預測其品種。我們在構建模型時用到了由專家標注過 的測量數據集，專家已經給出了花的正確品種，因此這是一個監督學習問題。一共有三個 品種：setosa、versicolor 或 virginica，因此這是一個三分類問題。在分類問題中，可能的 品種被稱為類別（class），每朵花的品種被稱為它的標簽（label）。
鳶尾花（Iris）數據集包含兩個 NumPy 數組：一個包含數據，在 scikit-learn 中被稱為 X； 一個包含正確的輸出或預期輸出，被稱為 y。數組 X 是特征的二維數組，每個數據點對應 一行，每個特征對應一列。數組 y 是一維數組，里面包含一個類別標簽，對每個樣本都是 一個 0 到 2 之間的整數。
我們將數據集分成訓練集（training set）和測試集（test set），前者用於構建模型，后者用 於評估模型對前所未見的新數據的泛化能力。
我們選擇了 k 近鄰分類算法，根據新數據點在訓練集中距離最近的鄰居來進行預測。該算 法在 KNeighborsClassifier 類中實現，里面既包含構建模型的算法，也包含利用模型進行 預測的算法。我們將類實例化，並設定參數。然后調用 fit 方法來構建模型，傳入訓練數 據（X_train）和訓練輸出（y_trian）作為參數。我們用 score 方法來評估模型，該方法 計算的是模型精度。我們將 score 方法用於測試集數據和測試集標簽，得出模型的精度約 為 97%，也就是說，該模型在測試集上 97% 的預測都是正確的。