四维knn最近邻算法代码举例

四维KNN（K-Nearest Neighbors）算法是一种基于实例的学习方法，它通过计算样本之间的距离来进行分类或回归。在四维空间中，每个数据点有四个特征维度。下面是使用Python和Scikit-learn库的一个简单四维KNN算法示例：

from sklearn.neighbors import KNeighborsClassifier
import numpy as np

# 假设我们有两个类别，每个类别都有4维特征的数据集
# X_train: 训练集特征，二维数组，形状(训练样本数, 4)
# y_train: 训练集标签，一维数组
X_train = np.random.rand(100, 4)  # 示例数据，可以根据实际需要生成
y_train = [0] * 50 + [1] * 50  # 示例标签，0和1表示两个类别

# 创建KNN模型，假设k值为5
knn_model = KNeighborsClassifier(n_neighbors=5)

# 使用训练数据拟合模型
knn_model.fit(X_train, y_train)

# 现在你可以用这个模型对新的四维数据进行预测
# 新的数据点，例如x_test
x_test = np.random.rand(1, 4)

# 预测测试点的类别
prediction = knn_model.predict([x_test])

print("预测结果:", prediction)

在这个例子中，我们首先创建了一个KNN分类器，然后使用训练数据对其进行训练。对于一个新的四维数据点，我们调用`predict`方法来预测其属于哪个类别。