K-近邻算法及应用 代码

K-近邻算法（K-Nearest Neighbors, KNN）是一种基于实例的学习方法，用于分类和回归分析。它的基本思想是：对于新样本点，将其归为与其最近的K个训练样例所属类别中最常见的那个。K值的选择对结果有很大影响。

**应用**：
1. 图像识别：如人脸识别、手写数字识别等，通过比较测试图像像素与已知样本的距离来进行分类。
2. 推荐系统：商品推荐，用户可能会购买与其历史购买行为最相似的其他用户的推荐物品。
3. 医疗领域：疾病诊断，通过比较病人的症状与已有的病例数据，预测患者可能患的疾病。

**简单Python代码示例**（假设我们有鸢尾花数据集）：

from sklearn.datasets import load_iris
from sklearn.neighbors import KNeighborsClassifier

# 加载数据
iris = load_iris()
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2)

# 创建KNN模型
knn = KNeighborsClassifier(n_neighbors=3)  # k=3作为示例

# 训练模型
knn.fit(X_train, y_train)

# 预测
predictions = knn.predict(X_test)

# 评估
accuracy = accuracy_score(y_test, predictions)

在这个例子中，`train_test_split()`用于划分训练集和测试集，`KNeighborsClassifier`则是KNN算法的核心组件。`fit()`用于学习邻居间的距离，`predict()`则根据测试样本找到最近的K个邻居并返回多数类别。