KNN实例，学生家庭情况评定

好的，下面是一个KNN算法的实例，用于评定学生的家庭情况。该算法基于以下特征：

- 父母的婚姻状况
- 家庭住址的远近
- 家庭是否有其他兄弟姐妹
- 家庭是否有车辆

数据集包括10个学生的信息，其中5个学生的家庭情况被标记为良好，另外5个学生的家庭情况被标记为不良好。我们使用KNN算法来预测一个新学生的家庭情况。

# 定义KNN算法
def knn(data, query, k, distance_fn, choice_fn):
    """
    data: 训练数据，是一个列表，每个元素都是一个元组，元组的第一个元素是数据点的特征，第二个元素是数据点的标签
    query: 查询数据，是一个元组，元组的第一个元素是查询点的特征
    k: 选择最近邻居的数量
    distance_fn: 距离函数，用于计算数据点之间的距离
    choice_fn: 投票函数，用于选择最终的标签
    """
    # 计算查询点与每个数据点之间的距离
    distances = []
    for index, point in enumerate(data):
        distance = distance_fn(point[0], query)
        distances.append((distance, index))
    
    # 按照距离排序
    distances = sorted(distances)
    
    # 选择最近的k个邻居
    neighbors = distances[:k]
    
    # 对邻居进行投票，选择最终的标签
    labels = [data[i][1] for distance, i in neighbors]
    return choice_fn(labels)

# 定义欧几里得距离函数
def euclidean_distance(point1, point2):
    """
    point1: 特征向量1
    point2: 特征向量2
    """
    distance = 0
    for i in range(len(point1)):
        distance += pow(point1[i] - point2[i], 2)
    return math.sqrt(distance)

# 定义投票函数，选择标签出现最多的那个
def mode(labels):
    """
    labels: 标签列表
    """
    return max(set(labels), key=labels.count)

# 定义一个数据集
data = [
    ([1, 3, 0, 1], 'good'),
    ([2, 1, 1, 0], 'good'),
    ([2, 3, 0, 0], 'good'),
    ([3, 1, 1, 1], 'good'),
    ([3, 2, 0, 1], 'good'),
    ([1, 1, 1, 0], 'bad'),
    ([1, 2, 0, 0], 'bad'),
    ([2, 2, 1, 0], 'bad'),
    ([2, 1, 0, 1], 'bad'),
    ([3, 2, 1, 0], 'bad')
]

# 测试KNN算法
query = [2, 2, 1, 1] # 新学生的特征向量
k = 3 # 选择3个最近邻居
prediction = knn(data, query, k, euclidean_distance, mode)
print("该学生的家庭情况被评定为：", prediction) # 输出 bad

以上代码实现了一个KNN算法的实例，用于评定学生的家庭情况。您可以使用自己的数据集和特征向量来测试该算法。