k近邻python代码

k近邻算法是一种简单而又常用的机器学习算法，它可以用于分类和回归问题。以下是一个简单的k近邻算法的Python代码实现：

import numpy as np
from sklearn.neighbors import KNeighborsClassifier

# 创建训练数据集
X_train = np.array([[1,2],[2,3],[3,1],[4,5],[5,6],[6,4]])
y_train = np.array([0,0,0,1,1,1])

# 创建k近邻分类器
knn = KNeighborsClassifier(n_neighbors=3)

# 用训练数据集拟合分类器
knn.fit(X_train, y_train)

# 创建测试数据集
X_test = np.array([[2,1],[3,2],[4,3]])

# 用训练好的分类器进行预测
y_pred = knn.predict(X_test)

print(y_pred)

在这段代码中，我们使用了Scikit-learn库中的KNeighborsClassifier类，它实现了k近邻算法。首先，我们创建了一个训练数据集和对应的标签。然后，我们创建了一个KNeighborsClassifier对象，并设置了k值为3。接着，我们用训练数据集来拟合分类器。最后，我们创建了一个测试数据集，并用分类器对其进行预测。预测结果存储在变量y_pred中，并打印出来。

相关问题

k近邻算法python代码

以下是k近邻算法的Python代码：

import numpy as np
from collections import Counter

class KNN:
    def __init__(self, k):
        self.k = k
        
    def fit(self, X, y):
        self.X_train = X
        self.y_train = y
        
    def euclidean_distance(self, X):
        return np.sqrt(np.sum((self.X_train - X)**2, axis=1))
    
    def predict(self, X):
        distances = self.euclidean_distance(X)
        k_nearest = np.argsort(distances)[:self.k]
        k_nearest_labels = self.y_train[k_nearest]
        most_common = Counter(k_nearest_labels).most_common(1)
        return most_common[0][0]

其中，`fit`方法用于训练模型，`predict`方法用于预测数据。`euclidean_distance`方法用于计算欧几里得距离，并且`Counter`用于计算最近的k个样本中出现最多的标签。

k近邻回归算法python代码

以下是使用sklearn库实现k近邻回归算法的Python代码：

from sklearn.neighbors import KNeighborsRegressor

# 创建k近邻回归模型，k取5
knn = KNeighborsRegressor(n_neighbors=5)

# 训练模型
knn.fit(X_train, y_train)

# 使用模型进行预测
y_pred = knn.predict(X_test)

其中，`X_train`和`y_train`分别是训练数据的特征和标签，`X_test`是测试数据的特征，`y_pred`是模型预测的标签。你需要根据实际情况替换这些变量。如果需要调整k值，可以通过修改`n_neighbors`参数来实现。