python代码实现KNN

KNN（k-近邻算法）是一种基本的分类与回归方法。下面是python实现KNN的示例代码：

import numpy as np

class KNN:
    def __init__(self, k):
        self.k = k
    
    def fit(self, X, y):
        self.X_train = X
        self.y_train = y
    
    def predict(self, X):
        predictions = []
        for i in range(len(X)):
            distances = np.sum((self.X_train - X[i])**2, axis=1)
            indices = np.argsort(distances)[:self.k]
            k_nearest_labels = [self.y_train[j] for j in indices]
            most_common_label = max(set(k_nearest_labels), key=k_nearest_labels.count)
            predictions.append(most_common_label)
        return predictions

其中，KNN类包含三个方法：

- `__init__`：初始化KNN模型，传入参数k表示选择的近邻数。
- `fit`：训练KNN模型，传入参数X表示训练数据集的特征矩阵，y表示训练数据集的标签。
- `predict`：预测新数据的标签，传入参数X表示新数据的特征矩阵，返回预测结果的标签列表。

KNN算法的核心是计算数据点之间的距离，并选择最近的k个数据点进行预测。上面的代码实现了欧氏距离的计算和最常见的标签的选择。