头歌pythonKNN算法案例

### Python KNN算法 示例代码

在处理分类问题时，KNN（k-最近邻）是一种直观且易于理解的监督学习方法。下面展示了一个基本的Python实现例子，用于说明如何应用此算法来预测新数据点所属类别。

#### 数据准备与预览
为了便于理解和操作，在实际编写程序前通常会先加载并查看部分待分析的数据集片段：

from sklearn.datasets import load_iris
import pandas as pd

# 加载鸢尾花数据集作为示例
data = load_iris()
df = pd.DataFrame(data.data, columns=data.feature_names)
df['target'] = data.target
print(df.head())

这段脚本通过`sklearn.datasets`模块中的`load_iris()`函数获取经典的小型多维特征空间——鸢尾花数据集，并将其转换成Pandas DataFrame以便于后续处理[^1]。

#### 构建与训练模型
接着定义一个简单的KNN分类器，并对其进行拟合：

from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier

X_train, X_test, y_train, y_test = train_test_split(
    df[data.feature_names], df['target'], test_size=0.3, random_state=42)

knn_model = KNeighborsClassifier(n_neighbors=3)
knn_model.fit(X_train, y_train)

上述过程首先分割原始数据为训练集和测试集；之后创建了一个具有三个邻居参数(`n_neighbors`)设置的KNN分类器对象，并调用了`.fit()`方法完成模型的学习过程[^2]。

#### 预测及评估性能
最后一步是对未知样本执行预测任务，并计算整体准确性或其他评价指标：

predictions = knn_model.predict(X_test)
accuracy = (predictions == y_test).mean()

print(f'The accuracy of the model on testing set is {accuracy:.2%}')

此处展示了怎样利用已建立好的模型对新的输入做出响应，以及衡量其表现的方式之一即准确度得分[^3]。