pytho代码最近邻判别法

最近邻判别法（K-Nearest Neighbors, KNN）是一种基于实例的学习方法，尤其常用于分类任务。在Python中，如scikit-learn库提供了一个简单易用的实现。其基本原理是，对于未知样本点，将其分类为与其训练集中最相似的K个邻居（根据某种距离度量，如欧氏距离或曼哈顿距离）所属类别中的多数类别。

以下是使用Python实现KNN分类的基本步骤：

1. 导入所需的库：

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

2. 准备数据集（假设X_train、y_train是特征矩阵和标签数组）：

# 分割数据为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

3. 创建并训练KNN模型：

knn = KNeighborsClassifier(n_neighbors=k)  # k是你选择的近邻数
knn.fit(X_train, y_train)

4. 预测新数据：

predictions = knn.predict(X_test)

5. 评估性能：

accuracy = knn.score(X_test, y_test)