用cpp写一个KNN分类代码，包括以下参数double * train_datas, long int length, long int dimension, int *labels, double * test_data, int k

好的，以下是一个简单的用cpp写的KNN分类代码，包括了您提到的所有参数：

#include <iostream>
#include <cmath>

using namespace std;

// 欧几里得距离计算函数
double euclidean_distance(double* point1, double* point2, long int dimension) 
{
    double distance = 0;
    for (int i = 0; i < dimension; i++) 
    { 
        distance += pow(point1[i] - point2[i], 2);
    }
    return sqrt(distance);
}

int main()
{
    // 训练数据和标签
    double train_datas[][3] = {{1.0, 1.1, 1.0}, {1.0, 1.0, 1.0}, {0.0, 0.0, 0.0}, {0.0, 0.1, 0.0}}; 
    int labels[] = {1, 1, 2, 2}; 

    // 测试数据
    double test_data[] = {0.2, 0.2, 0.2};

    // 配置参数
    int k = 3;
    long int length = 4;
    long int dimension = 3;

    // 计算每个训练数据点到测试数据点的距离
    double distances[length];
    for (int i = 0; i < length; i++) 
    {
        double* point = train_datas[i];
        distances[i] = euclidean_distance(point, test_data, dimension);
    }

    // 找到最近的 k 个数据点，并统计它们的标签
    int freq[2] = {0, 0};
    for (int i = 0; i < k; i++) 
    {
        int min_index = 0;
        double min_distance = INFINITY;
        for (int j = 0; j < length; j++) 
        {
            if (distances[j] < min_distance) 
            {
                min_distance = distances[j];
                min_index = j;
            }
        }
        freq[labels[min_index] - 1]++;
        distances[min_index] = INFINITY;
    }

    // 输出预测的标签
    if (freq[0] > freq[1]) 
        cout << "Test data belongs to label 1" << endl;
    else 
        cout << "Test data belongs to label 2" << endl;

    return 0;
}

上述代码中，我使用了欧几里得距离作为相似度计算的标准，算法流程如下：

1. 计算每个训练数据点到测试数据点的距离，存储在一个数组中；
2. 选出距离最近的 k 个训练数据点，并统计其所属标签的频率；
3. 输出预测的标签，即频率最高的标签。

您可以根据自己的实际需求，将函数封装成类或者函数库，以便更方便地进行调用和使用。希望这个代码能帮到您。如果您有其他问题或需要其他帮助，请不要犹豫，随时提出来。