案例
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
iris = datasets.load_iris() # 鸢尾花数据集
iris_X = iris.data # 特征
iris_Y = iris.target # 标签
X_train, X_test, Y_train, Y_test = train_test_split(iris_X, iris_Y, test_size=0.3) # 随机取70%数据作为训练，30%作为测试
knn = KNeighborsClassifier() # K近邻(K-Nearest Neighbor)分类器
knn.fit(X_train, Y_train) # 进行分类
Y_predict = knn.predict(X_test)
print(Y_predict) # 预测值
print(Y_test) # 真实值
print(knn.score(X_train, Y_train)) # 正确率
输出：
[0 1 1 1 2 1 1 1 1 0 2 2 0 2 2 2 1 1 1 1 1 1 2 1 2 1 0 0 2 2 2 1 0 0 2 1 2
1 1 0 1 0 1 2 1]
[0 1 1 1 2 2 1 1 1 0 2 2 0 2 2 2 1 1 1 2 1 1 2 1 2 1 0 0 2 2 2 2 0 0 2 1 2
1 1 0 1 0 1 2 1]
对比可知，除了个别数据预测失败，绝大部分都预测正确。
sklearn的数据集datasets
sklearn提供的常用数据集都在datasets模块中
https://blog.csdn.net/weixin_42039090/article/details/80614918
sklearn的train_test_split
注意：旧版本的导入该模块是：from sklearn.cross_validation import train_test_split
新版本改成了：from sklearn.model_selection import train_test_split
train_test_split函数用于将矩阵随机划分为训练子集和测试子集，并返回划分好的训练集测试集样本和训练集测试集标签。
格式：
X_train,X_test, y_train, y_test =cross_validation.train_test_split(train_data,train_target,test_size=0.3, random_state=0)
参数解释：
train_data：被划分的样本特征集
train_target：被划分的样本标签
test_size：如果是浮点数，在0-1之间，表示样本占比；如果是整数的话就是样本的数量
random_state：是随机数的种子。
随机数种子：其实就是该组随机数的编号，在需要重复试验的时候，保证得到一组一样的随机数。比如你每次都填1，其他参数一样的情况下你得到的随机数组是一样的。但填0或不填，每次都会不一样。
随机数的产生取决于种子，随机数和种子之间的关系遵从以下两个规则：
种子不同，产生不同的随机数；种子相同，即使实例不同也产生相同的随机数。