python 实现KNN算法

KNN（K-Nearest Neighbors）算法是一种常用的机器学习算法，用于分类和回归问题。它的基本思想是通过计算待分类样本与训练集中各个样本之间的距离，选取距离最近的K个样本作为邻居，然后根据邻居的标签进行分类或回归预测。

在Python中实现KNN算法可以使用第三方库scikit-learn（sklearn）。下面是一个简单的示例代码：

from sklearn.neighbors import KNeighborsClassifier

# 创建KNN分类器对象
knn = KNeighborsClassifier(n_neighbors=3)

# 训练模型
X_train = [[1, 2], [3, 4], [5, 6]]  # 训练集特征
y_train = [0, 0, 1]  # 训练集标签
knn.fit(X_train, y_train)

# 预测新样本
X_test = [[7, 8], [9, 10]]  # 待预测样本特征
y_pred = knn.predict(X_test)  # 预测结果

print(y_pred)

上述代码中，首先导入了KNeighborsClassifier类，然后创建了一个KNN分类器对象knn。接着使用fit方法对训练集进行训练，其中X_train表示训练集的特征，y_train表示训练集的标签。最后使用predict方法对新样本进行预测，其中X_test表示待预测样本的特征，y_pred表示预测结果。