用C++写KNN算法处理鸢尾花数据集

好的，下面是使用C语言实现KNN算法处理鸢尾花数据集的示例代码：

#include <stdio.h>
#include <stdlib.h>
#include <math.h>

#define K 3
#define MAX_SAMPLES 150
#define MAX_FEATURES 4

typedef struct {
    double features[MAX_FEATURES];
    int label;
} Sample;

Sample samples[MAX_SAMPLES];

double distance(Sample s1, Sample s2) {
    double dist = 0.0;
    for (int i = 0; i < MAX_FEATURES; i++) {
        dist += pow(s1.features[i] - s2.features[i], 2);
    }
    return sqrt(dist);
}

int compare(const void *a, const void *b) {
    Sample *s1 = (Sample *)a;
    Sample *s2 = (Sample *)b;
    return (s1->label - s2->label);
}

int classify(Sample test) {
    Sample nearest[K];
    for (int i = 0; i < K; i++) {
        nearest[i] = samples[i];
    }
    for (int i = K; i < MAX_SAMPLES; i++) {
        double dist = distance(samples[i], test);
        int max_idx = 0;
        for (int j = 1; j < K; j++) {
            if (distance(nearest[j], test) > distance(nearest[max_idx], test)) {
                max_idx = j;
            }
        }
        if (dist < distance(nearest[max_idx], test)) {
            nearest[max_idx] = samples[i];
        }
    }
    qsort(nearest, K, sizeof(Sample), compare);
    int count[3] = {0};
    for (int i = 0; i < K; i++) {
        count[nearest[i].label]++;
    }
    int max_count = 0;
    int max_label = -1;
    for (int i = 0; i < 3; i++) {
        if (count[i] > max_count) {
            max_count = count[i];
            max_label = i;
        }
    }
    return max_label;
}

int main() {
    FILE *fp = fopen("iris.data", "r");
    if (fp == NULL) {
        printf("Failed to open file\n");
        return 1;
    }
    int idx = 0;
    while (!feof(fp)) {
        fscanf(fp, "%lf,%lf,%lf,%lf,%d\n", &samples[idx].features[0],
               &samples[idx].features[1], &samples[idx].features[2], &samples[idx].features[3],
               &samples[idx].label);
        idx++;
    }
    fclose(fp);

    Sample test;
    test.features[0] = 5.1;
    test.features[1] = 3.5;
    test.features[2] = 1.4;
    test.features[3] = 0.2;
    int predicted_label = classify(test);
    printf("Predicted label: %d\n", predicted_label);

    return 0;
}

上述代码中，我们首先定义了一个 `Sample` 结构体来存储每个样本的特征和标签。我们还定义了一个 `distance` 函数来计算两个样本之间的距离。

在 `classify` 函数中，我们首先使用前 K 个样本作为最近邻。然后对于剩余的样本，我们计算它与测试样本之间的距离，并将其与当前 K 个最近邻中最远的样本进行比较。如果它与当前最远的样本更接近，则将其替换为最近邻之一。最后，我们使用最近邻的标签来预测测试样本的标签。

在 `main` 函数中，我们首先从文件中读取所有样本。然后我们手动创建一个测试样本，并使用 `classify` 函数来预测它的标签。

注意，上述代码中的 `iris.data` 文件应该包含鸢尾花数据集。每行应该包含四个特征和一个标签，用逗号分隔。在这个示例中，我们使用了一个硬编码的测试样本，但实际上我们可以从文件中读取测试样本并进行分类。