knn电影分类给出代码

K近邻(K-Nearest Neighbors, KNN)算法是一种常用的机器学习方法，特别是在推荐系统和分类任务中。在电影分类中，我们可以利用用户对电影的评分数据来进行个性化推荐，或者基于相似性的原则将新的电影归类到合适的类别。

下面是一个简单的Python示例，使用scikit-learn库实现KNN电影分类：

from sklearn.datasets import load_movie_reviews
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier

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

# 文本向量化
vectorizer = CountVectorizer()
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
X_train_counts = vectorizer.fit_transform(X_train)
X_test_counts = vectorizer.transform(X_test)

# 使用KNN分类器
knn = KNeighborsClassifier(n_neighbors=5)  # 选择k值
knn.fit(X_train_counts, y_train)

# 预测新电影类别
new_movie = ["这部电影评论说剧情紧凑，演员表现出色"]
new_movie_count = vectorizer.transform(new_movie)
predicted_class = knn.predict(new_movie_count)

print("预测的电影类别:", predicted_class)

在这个例子中，我们首先加载电影评论数据，然后用词频统计（CountVectorizer）转换文本数据。接着，我们将数据分为训练集和测试集，并训练KNN模型。最后，对于一个新的电影评论，我们会计算它与训练集中每个样本的距离，并依据最近邻居的类别做出预测。