基于c++的简单实现knn算法

K-Nearest Neighbors，简称KNN）是一种基于实例的学习方法，用于分类和回归分析。在C++中实现KNN的一个基本步骤如下：

1. **数据预处理**：首先需要准备好训练集和测试集的数据，包括特征向量和对应的标签。

2. **定义邻居数**：选择一个合适的K值，比如5或10，代表一个样本将被其最近的K个邻居影响。

3. **距离计算**：C++可以使用标准库如`<cmath>`的`distance`函数或自定义模板函数来计算样本间的欧氏距离或其他相似度度量。

4. **搜索近邻**：对于每个待分类的样本，遍历所有训练样本，找出与其距离最近的K个邻居。

5. **决策规则**：根据K个邻居中的多数类别来预测测试样本的类别，或者采用平均值等策略做回归预测。

6. **实现结构**：可以用类和函数封装这个过程，例如创建一个`KNNClassifier`类，包含数据结构（如数组或动态容器）存储训练数据，以及成员函数进行分类操作。

#include <vector>
#include <cmath>

// 假设我们有二维特征点
struct Point {
    double x, y;
};

// 模拟计算两个点之间的欧氏距离
double distance(const Point& p1, const Point& p2) {
    return std::sqrt(std::pow(p1.x - p2.x, 2) + std::pow(p1.y - p2.y, 2));
}

class KNNClassifier {
private:
    std::vector<std::pair<Point, int>> trainData; // 训练数据和标签

public:
    void train(const std::vector<Point>& data, const std::vector<int>& labels) {
        trainData = std::vector<std::pair<Point, int>>(data.size(), {data[i], labels[i]});
    }

    int classify(const Point& testPoint, int k) {
        int predictions[k];
        for (int i = 0; i < k; ++i) {
            int index = std::distance(trainData.begin(), std::min_element(trainData.begin(), trainData.end(),
                [testPoint](const auto& a, const auto& b) -> bool {
                    return distance(a.first, testPoint) < distance(b.first, testPoint);
                }));
            predictions[i] = trainData[index].second;
        }
        // 返回最频繁出现的标签
        return std::max_element(predictions, predictions + k) - predictions;
    }
};