knn算法c++实现例子

K近邻(K-Nearest Neighbors, KNN)是一种简单而有效的机器学习分类算法。在C++中实现KNN，你需要处理数据集、计算距离、找到最近邻居以及预测新样本的类别。以下是一个简单的步骤示例：

1. 首先，定义一个数据结构来存储训练样本，通常包括特征向量和对应的标签。

struct Sample {
    std::vector<double> features;
    int label;
};

2. 定义一个函数来计算两个样本之间的欧氏距离，这里是单维空间的例子，实际应用可能需要更复杂的距离度量。

double euclidean_distance(const Sample& s1, const Sample& s2) {
    double distance = 0.0;
    for (size_t i = 0; i < s1.features.size(); ++i) {
        distance += pow(s1.features[i] - s2.features[i], 2);
    }
    return sqrt(distance);
}

3. 然后，可以创建一个KNN类，包含搜索k个最接近邻居并进行多数投票的功能。

class KNNClassifier {
private:
    std::vector<Sample> train_data;
    size_t k;

public:
    KNNClassifier(const std::vector<Sample>& data, size_t k_value)
        : train_data(data), k(k_value) {}

    int predict(const Sample& test_sample) {
        // 计算测试样本与所有训练样本的距离
        std::vector<std::pair<double, int>> distances_and_labels(train_data.size());
        for (size_t i = 0; i < train_data.size(); ++i) {
            distances_and_labels[i].first = euclidean_distance(test_sample, train_data[i]);
            distances_and_labels[i].second = train_data[i].label;
        }

        // 对距离进行排序，并取前k个邻居
        std::sort(distances_and_labels.begin(), distances_and_labels.end());

        // 返回邻居中最多见的类别作为预测结果
        int most_common_label = 0;
        int max_count = 0;
        for (size_t i = 0; i < k; ++i) {
            if (distances_and_labels[i].second > max_count) {
                max_count = distances_and_labels[i].second;
                most_common_label = distances_and_labels[i].second;
            }
        }
        return most_common_label;
    }
};