python 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。

Python中有多个库可以实现KNN算法，其中最常用的是scikit-learn库。下面是使用scikit-learn库实现KNN算法的步骤：

1. 导入所需的库和模块：

from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

2. 准备数据集：

# 假设有一个特征矩阵X和对应的标签向量y
X = [[...], [...], ...]
y = [...]

3. 划分训练集和测试集：

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

4. 创建KNN分类器对象并进行训练：

knn = KNeighborsClassifier(n_neighbors=3)  # 设置K值为3
knn.fit(X_train, y_train)

5. 进行预测：

y_pred = knn.predict(X_test)

6. 计算准确率：

accuracy = accuracy_score(y_test, y_pred)

以上就是使用Python中的scikit-learn库实现KNN算法的基本步骤。