KNN分类分析结果解读
KNN（K-Nearest Neighbors，K近邻）算法是一种基于实例的惰性学习方法，其基本思想是在特征空间中寻找待分类样本最近的K个已知类别样本，根据这K个邻居的多数类别来决定待分类样本的归属。KNN算法不需要显式的训练过程，分类决策完全依赖于邻近样本的投票结果，因此被称为"惰性学习"。该算法简单直观，适用于非线性分类，但计算开销较大，且对K值的选择和距离度量方式较为敏感。本研究基于SPSSAU平台，采用KNN算法对鸢尾花数据集进行三分类建模分析。
在SPSSAU【机器学习】模块选择【KNN】，将变量拖拽至右侧对应分析框，操作如下图：
一、数据基本信息
本次分析采用鸢尾花（Iris）数据集，共包含150个样本，分为刚毛鸢尾花（A）、变色鸢尾花（B）和弗吉尼亚鸢尾花（C）三类，每类各50个样本，各占33.333%。自变量为X1、X2、X3、X4四个特征指标，因变量Y为鸢尾花类别。数据集无缺失值，三类样本完全均衡，适合进行KNN分类建模。
从表1可以看出，150个样本全部有效，三类鸢尾花各50个，类别分布完全均衡，为KNN模型的评估提供了良好的数据基础。
二、特征权重分析
从表2特征权重可以看出，各特征对KNN模型分类的贡献差异显著。X3的权重最高，达到84.88%，是模型分类的绝对核心特征，表明花瓣长度是区分三类鸢尾花最重要的指标；X2的权重为8.14%，X4的权重为6.98%，两者对分类有一定的辅助作用；X1的权重为0.00%，表明花萼长度在KNN分类中未产生实质性贡献。X3单独贡献了模型近85%的分类能力，这与鸢尾花数据本身的分布特征一致。
三、模型评估结果
数据集按8:2的比例划分为训练集（120个样本）和测试集（30个样本），数据经过正态标准化处理后进行KNN建模。
从表3训练集评估结果来看，KNN模型整体准确率为96.7%，综合f1-score为0.967，表现优异。刚毛鸢尾花（A）的精确率、召回率和f1-score均为1.000，实现完美分类；变色鸢尾花（B）的精确率和召回率均为0.946、f1-score为0.946，有少量样本被误判；弗吉尼亚鸢尾花（C）的精确率和召回率均为0.955、f1-score为0.955，分类效果较好。三个类别的f1-score较为均衡，说明KNN模型对各类别的分类能力较为一致。
从表4测试集评估结果来看，KNN模型在测试集上的整体准确率为93.33%，综合精确率为95.00%，综合召回率为93.33%，综合f1-score为0.935，模型效果较优。刚毛鸢尾花（A）继续保持完美分类（精确率和召回率均为1.000）；变色鸢尾花（B）精确率为1.000但召回率为0.846，有2个B类样本被误判为其他类别；弗吉尼亚鸢尾花（C）精确率为0.750、召回率为1.000，所有C类样本均被正确识别，但有1个非C类样本被误判为C类。测试集准确率（93.33%）较训练集（96.7%）有所下降，但降幅不大，模型泛化能力较好。
四、图形分析
图1 KNN分类结果图
从图1可以看出，KNN模型对鸢尾花三类样本的分类效果整体较好。图中展示了各样本在特征空间中的分布及KNN的分类决策区域。刚毛鸢尾花（A）与其他两类之间具有清晰的分类边界，变色鸢尾花（B）和弗吉尼亚鸢尾花（C）之间存在一定的重叠区域，这与测试集中B类和C类出现误判的结果一致。KNN通过欧式距离度量样本间的相似性，在正态标准化处理后，各特征对距离计算的贡献更加合理，有效提升了分类效果。
五、模型参数设置与数据集划分
从表5可以看出，本次KNN分析设置K值为5，即每个待分类样本参考其最近的5个邻居进行投票决策。样本投票权重采用等比投票权，距离计算使用欧式距离，邻近搜索方法为自动方式（auto）。数据经过正态标准化预处理，以消除不同特征量纲差异对距离计算的影响。模型最终在测试集上的准确率为93.33%，综合f1-score为0.935。
从表6可以看出，150个样本中120个（80%）分配至训练集，30个（20%）分配至测试集，无预测集和缺失数据。
六、结论
本研究利用SPSSAU平台采用KNN算法对150个鸢尾花样本进行三分类建模分析，设置K=5，采用欧式距离和正态标准化预处理。分析结果表明，X3（权重84.88%）是鸢尾花分类最重要的特征，X2（8.14%）和X4（6.98%）次之，X1未产生实质贡献（0.00%）。模型在测试集上的准确率为93.33%，综合f1-score为0.935，整体分类效果较优。刚毛鸢尾花在训练集和测试集上均实现完美分类，变色鸢尾花和弗吉尼亚鸢尾花在边界区域存在少量误判。KNN算法以其简洁的"近朱者赤"分类逻辑，在鸢尾花数据上取得了令人满意的分类效果。
