knn算法python实现约会数据集

KNN（K-Nearest Neighbors）算法是一种常用的分类算法，它通过计算待分类样本与训练集中的样本之间的距离，选取距离最近的K个样本进行投票，将待分类样本归类为票数最多的类别。

在Python中，可以使用scikit-learn库来实现KNN算法。下面是一个使用KNN算法对约会数据集进行分类的示例代码：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score

# 读取数据集
data = pd.read_csv('dating.csv')

# 将特征列和标签列分开
X = data.iloc[:, :3]  # 前三列为特征
y = data.iloc[:, 3]   # 第四列为标签

# 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)

# 创建KNN分类器对象
knn = KNeighborsClassifier(n_neighbors=3)

# 拟合模型
knn.fit(X_train, y_train)

# 预测测试集
y_pred = knn.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("准确率：", accuracy)

在上述代码中，首先使用pandas库读取约会数据集，并将特征列和标签列分开。然后使用train_test_split函数将数据集划分为训练集和测试集。接下来，创建一个KNeighborsClassifier对象，并使用fit方法拟合模型。最后，使用predict方法对测试集进行预测，并使用accuracy_score函数计算准确率。