knn实现python

在Python中，通过scikit-learn库（sklearn.neighbors）实现K近邻（KNN）非常直观。以下是基本步骤：

1. 导入库：

import numpy as np
from sklearn.neighbors import KNeighborsClassifier
from sklearn.datasets import load_iris

2. 加载数据集：

# 加载示例数据 - Iris分类数据集
iris = load_iris()
X = iris.data
y = iris.target

3. 初始化并训练KNN模型：

k = 3  # 确定K值，例如选择最近的3个邻居
knn_model = KNeighborsClassifier(n_neighbors=k)
knn_model.fit(X, y)

4. 预测新样本：

new_sample = [...]  # 输入的新数据点
prediction = knn_model.predict([new_sample])

5. 可视化和评估：

from matplotlib import pyplot as plt
plt.scatter(X[:, 0], X[:, 1], c=y, cmap='viridis')  # 绘制散点图展示数据分布

# 使用交叉验证评估模型性能
from sklearn.model_selection import cross_val_score
cv_scores = cross_val_score(knn_model, X, y, cv=5)
print(f"Cross-validation scores: {cv_scores}")
print(f"Mean accuracy: {np.mean(cv_scores)}")