使用 Python 实现 K-最近邻 (KNN) 算法实验

在Python中实现K-最近邻(K-Nearest Neighbors, KNN)算法是一种基于实例的学习方法，用于分类和回归问题。下面是简单的步骤：

1. **导入库**：
首先，你需要导入必要的库，如`numpy`, `pandas`, 和`scikit-learn`，它们分别用于数据处理、数据分析以及KNN算法。

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier

2. **数据预处理**：
加载数据集，通常包含特征和标签。例如，使用`load_iris`或`load_digits`等函数从`sklearn.datasets`模块加载示例数据。

from sklearn.datasets import load_iris
data = load_iris()
X = data.data
y = data.target

3. **拆分数据**：
将数据分为训练集和测试集，以便评估模型性能。

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

4. **创建并训练模型**：
创建一个`KNeighborsClassifier`对象，并指定k值（通常是奇数，比如5或7）。然后使用训练数据拟合模型。

knn = KNeighborsClassifier(n_neighbors=5)
knn.fit(X_train, y_train)

5. **预测**：
对测试集进行预测，并得到预测结果。

predictions = knn.predict(X_test)

6. **评估模型**：
可以使用各种指标来评估模型性能，如准确率、精确度、召回率等。

from sklearn.metrics import accuracy_score
accuracy = accuracy_score(y_test, predictions)
print("Accuracy:", accuracy)