2.运行K近邻算法，尝试用不同的距离曼哈顿距离、欧氏距离、闵式距离度量、不同的K值，对一个数据集多次分类，对多个数据集进行分类代码

运行K近邻(KNN)算法涉及以下几个关键步骤，这里将以Python的scikit-learn库为例，展示如何使用不同距离度量（曼哈顿距离、欧氏距离和闵式距离）和不同的K值对数据集进行分类：

1. 导入所需库和模块：

import numpy as np
from sklearn.datasets import load_iris # 示例数据集
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score

2. 加载数据集并预处理：

data = load_iris()
X = data.data
y = data.target

# 分割数据为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

3. 定义一个函数，用于计算不同距离度量：

def calculate_distance(x1, x2, metric='euclidean'):
    if metric == 'euclidean':
        return np.linalg.norm(x1 - x2)
    elif metric == 'manhattan':
        return np.sum(np.abs(x1 - x2))
    elif metric == 'minkowski':  # Minkowski距离，默认p=2即为欧氏距离，此处仅示例
        return np.power(np.linalg.norm(x1 - x2, ord=2), 2)
    else:
        raise ValueError("Invalid distance metric")

4. 对于每个K值，循环执行KNN分类：

k_values = [1, 3, 5]  # 可以调整这个列表以包含更多或更少的K值
for k in k_values:
    knn = KNeighborsClassifier(n_neighbors=k, metric=calculate_distance)

    # 训练模型
    knn.fit(X_train, y_train)

    # 预测测试集
    y_pred = knn.predict(X_test)

    # 计算准确率
    accuracy = accuracy_score(y_test, y_pred)
    print(f"K={k}, Metric={metric}: Accuracy: {accuracy}")