用pycham实现，用KNN进行水果分类，实现代码

在Python中，我们可以使用scikit-learn库中的`KNeighborsClassifier`来进行基于K近邻算法(KNN)的水果分类。这里是一个简单的例子，假设我们有一个包含水果图片特征的数据集，我们将使用这些特征来训练模型并进行预测：

# 导入所需的库
from sklearn.datasets import load_fruits
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
import matplotlib.pyplot as plt

# 加载水果数据集（这里假设有一个叫做fruit_data的文件）
fruit_data = load_fruits()
X = fruit_data.data
y = fruit_data.target

# 数据预处理：标准化特征
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42)

# 创建KNN分类器
knn = KNeighborsClassifier(n_neighbors=5)  # 设定邻居数为5

# 训练模型
knn.fit(X_train, y_train)

# 预测
predictions = knn.predict(X_test)

# 打印一些结果
print("Accuracy:", knn.score(X_test, y_test))

# 可视化决策边界 (如果数据可视化可行)
if 'fruits_360' in fruit_data.feature_names:
    # 对于3D水果数据，可以使用matplotlib的mpl_toolkits.mplot3d库绘制
    from mpl_toolkits.mplot3d import Axes3D
    fig = plt.figure(figsize=(8, 6))
    ax = Axes3D(fig)
    ax.scatter(X_train[:, 0], X_train[:, 1], X_train[:, 2], c=y_train, cmap='viridis')
    ax.set_title('KNN Decision Boundary for Fruit Classification')
    plt.show()