简单实现k近邻算法c++

K近邻算法是一种基于实例的机器学习算法，它的主要思想是通过计算样本之间的距离来确定新样本的类别。下面是一个简单的C++实现：

#include <iostream>
#include <vector>
#include <algorithm>
#include <cmath>

using namespace std;

// 定义一个结构体表示样本
struct Sample {
    vector<double> features; // 样本的特征向量
    int label; // 样本的类别
};

// 计算两个样本之间的欧几里得距离
double distance(const Sample& s1, const Sample& s2) {
    double sum = 0.0;
    for (int i = 0; i < s1.features.size(); i++) {
        sum += pow(s1.features[i] - s2.features[i], 2);
    }
    return sqrt(sum);
}

// K近邻算法
int knn(const vector<Sample>& samples, const Sample& query, int k) {
    // 计算所有样本与查询样本之间的距离
    vector<pair<double, int>> distances; // 存储距离和样本下标的pair
    for (int i = 0; i < samples.size(); i++) {
        double d = distance(samples[i], query);
        distances.push_back(make_pair(d, i));
    }

    // 按距离从小到大排序
    sort(distances.begin(), distances.end());

    // 统计前k个样本中出现最多的类别
    vector<int> counts(k, 0); // 存储每个类别出现的次数
    for (int i = 0; i < k; i++) {
        int label = samples[distances[i].second].label;
        counts[label]++;
    }

    // 返回出现次数最多的类别
    int max_count = 0;
    int max_label = -1;
    for (int i = 0; i < counts.size(); i++) {
        if (counts[i] > max_count) {
            max_count = counts[i];
            max_label = i;
        }
    }
    return max_label;
}

int main() {
    // 构造样本数据
    vector<Sample> samples = {
        {{1.0, 2.0}, 0},
        {{2.0, 1.0}, 0},
        {{4.0, 5.0}, 1},
        {{5.0, 4.0}, 1}
    };

    // 构造查询样本
    Sample query = {{3.0, 3.0}, -1};

    // 进行K近邻分类
    int k = 3;
    int label = knn(samples, query, k);

    // 输出结果
    cout << "query sample belongs to class " << label << endl;

    return 0;
}

这个实现中，我们首先定义了一个`Sample`结构体表示样本，其中包含了样本的特征向量和类别。然后，我们定义了一个`distance`函数来计算两个样本之间的欧几里得距离。接着，我们实现了一个`knn`函数来进行K近邻分类，其中，我们首先计算所有样本与查询样本之间的距离，并按距离从小到大排序。然后，我们统计前k个样本中出现最多的类别，并返回出现次数最多的类别。最后，我们在`main`函数中构造了样本数据和查询样本，并调用`knn`函数进行分类。