使用sklearn实现KNN分类器

使用scikit-learn（sklearn）库可以很方便地实现KNN分类器。下面是一个简单的示例代码：

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

# 加载数据集
data = load_iris()
X, y = data.data, data.target

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建KNN分类器并进行训练
knn = KNeighborsClassifier(n_neighbors=3)
knn.fit(X_train, y_train)

# 进行预测
y_pred = knn.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

在这个示例中，我们使用sklearn的`load_iris`函数加载了一个经典的鸢尾花数据集。然后，我们使用`train_test_split`函数将数据集划分为训练集和测试集。接下来，我们创建了一个KNN分类器，并使用训练集进行训练。最后，我们使用测试集进行预测，并计算预测准确率。

你可以根据自己的需求调整KNN分类器的参数，比如`n_neighbors`表示邻居的数量。使用sklearn库可以很方便地实现KNN分类器，并进行训练和预测。