Python实现knn算法

K最近邻（K-nearest neighbors，KNN）算法是一种常用的机器学习算法，用于分类和回归问题。下面是Python实现KNN算法的基本步骤：

1. 导入必要的库：首先，需要导入NumPy和Scikit-learn库。

import numpy as np
from sklearn.neighbors import KNeighborsClassifier

2. 准备数据集：将数据集分为特征集和标签集。特征集包含用于分类的各个特征，而标签集包含对应的类别标签。

# 示例数据集
X = np.array([[1, 2], [1, 4], [2, 2], [2, 3]])
y = np.array([0, 0, 1, 1])

3. 创建KNN分类器：使用Scikit-learn库中的KNeighborsClassifier类创建KNN分类器，并设置K值。

# 创建KNN分类器，设置K值为3
knn = KNeighborsClassifier(n_neighbors=3)

4. 拟合数据：使用fit()方法将数据集拟合到KNN分类器中。

# 拟合数据
knn.fit(X, y)

5. 进行预测：使用predict()方法对新样本进行分类预测。

# 预测新样本
X_test = np.array([[3, 2], [1, 5]])
y_pred = knn.predict(X_test)

以上就是Python实现KNN算法的基本步骤。你可以根据自己的数据集和需求进行相应的调整和扩展。