knn算法代码和效果图

K-Nearest Neighbors (KNN) 算法是一种基于实例的学习方法，用于分类和回归分析。在分类中，它根据最近邻居的原则来进行预测，简单直观。以下是使用Python和sklearn库实现KNN的基本步骤：

# 导入必要的库
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
import matplotlib.pyplot as plt

# 加载数据（这里以鸢尾花数据集为例）
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 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，例如选择k=3
knn = KNeighborsClassifier(n_neighbors=3)

# 训练模型
knn.fit(X_train, y_train)

# 预测测试集
y_pred = knn.predict(X_test)

# 可视化效果（假设二维数据）
if len(X) == 2:  # 如果数据只有两个特征，可作可视化
    plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train)
    plt.scatter(X_test[:, 0], X_test[:, 1], c=y_pred, cmap='viridis')
    plt.xlabel('Feature 1')
    plt.ylabel('Feature 2')
    plt.title('KNN Classification with k=3')
    plt.show()