KNN算法原理及python代码实现，以本班同学们家庭住址的经纬度为例，训练出K值几分类结果。

K-Nearest Neighbors (KNN) 算法是一种基于实例的学习方法，它的基本思想是，对于新的未知样本，通过计算它与其他已知样本的距离，找到与其最近的k个邻居，然后根据这k个邻居的类别标签，多数表决决定新样本的类别。在这个例子中，如果我们有同学们的家庭住址（假设是经纬度数据），我们可以将每个地址看作一个特征向量。

Python 中，可以使用 Scikit-Learn 库来实现 KNN 算法。以下是简单的步骤：

# 导入必要的库
from sklearn.neighbors import KNeighborsClassifier
import numpy as np

# 假设我们有一个数据集 data, 和对应的标签 labels（家庭住址的经纬度）
data = np.array([...]) # 包含同学们家庭住址的经纬度数据
labels = np.array([...]) # 同学们的类别标签

# 划分数据集为训练集和测试集（这里通常使用交叉验证）
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(data, labels, test_size=0.2)

# 创建 KNN 分类器
knn = KNeighborsClassifier(n_neighbors=k) # k是你想要的近邻数，比如5、10等

# 训练模型
knn.fit(X_train, y_train)

# 预测新的样本类别
new_sample = np.array([...]) # 新同学的家庭住址
prediction = knn.predict(new_sample)

# 输出预测结果
print(f"新同学属于{knn.classes_[prediction]}类别")