使用python代码实现KNN

以下是使用Python实现KNN算法的示例代码：

import numpy as np
from collections import Counter

class KNN:
    def __init__(self, k=3):
        self.k = k
    
    def fit(self, X, y):
        self.X_train = X
        self.y_train = y
    
    def predict(self, X):
        y_pred = []
        for x in X:
            distances = []
            for x_train in self.X_train:
                distance = np.sqrt(np.sum((x - x_train) ** 2))
                distances.append(distance)
            indices = np.argsort(distances)[:self.k]
            k_nearest_labels = [self.y_train[i] for i in indices]
            most_common = Counter(k_nearest_labels).most_common(1)
            y_pred.append(most_common[0][0])
        return np.array(y_pred)

在上面的代码中，我们定义了一个KNN类，它有三个方法：__init__、fit和predict。__init__方法用于初始化一个KNN对象，并且可以指定k值（即KNN算法中的k）。fit方法用于训练模型，接收训练数据X和对应的标签y，将它们存储在KNN对象中。predict方法用于预测新的数据点的标签，接收测试数据X，对于每个测试数据点，计算它与训练数据点之间的距离，找到k个最近的训练数据点，然后对这k个数据点的标签进行投票，选择票数最多的标签作为预测结果，最终返回预测结果的数组。

下面是一个使用KNN类的示例：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

iris = load_iris()

X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=42)

knn = KNN(k=3)
knn.fit(X_train, y_train)
y_pred = knn.predict(X_test)

print("Accuracy:", accuracy_score(y_test, y_pred))

在这个示例中，我们加载了鸢尾花数据集，并将其分成训练集和测试集。然后我们创建了一个KNN对象，将训练集输入到fit方法中进行训练，然后使用predict方法对测试集进行预测，最后计算准确率并打印出来。