利用python实现KNN算法

在Python中，可以使用scikit-learn库来实现K-近邻(K-Nearest Neighbors, KNN)算法。KNN是一种简单的监督学习方法，它基于数据点之间的距离来进行预测。下面是基本步骤：

1. 导入必要的库：

import numpy as np
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

2. 准备数据集（假设X为特征矩阵，y为标签数组）：

# 加载数据，例如从csv文件或使用numpy生成
X = ...  # 特征数据
y = ...  # 标签数据

3. 划分训练集和测试集：

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

4. 创建并训练KNN模型，设置k值（如5）：

knn_model = KNeighborsClassifier(n_neighbors=5)
knn_model.fit(X_train, y_train)

5. 进行预测：

y_pred = knn_model.predict(X_test)

6. 评估模型性能：

accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy}")