KNN算法的交叉验证不使用sklearn库

KNN算法的交叉验证可以手动实现，以下是一个简单的实现过程：

1. 将数据集分为k份

2. 对于每个k，将其作为测试集，将其他k-1份作为训练集

3. 对于每个测试集数据点，使用KNN算法在训练集上进行预测，并计算准确率

4. 将k次预测准确率的平均值作为交叉验证的准确率

以下是一个Python实现的例子：

import numpy as np

def knn_cross_val(X, y, k, cv):
    """
    KNN算法交叉验证
    :param X: 特征矩阵
    :param y: 标签数组
    :param k: KNN算法中的k值
    :param cv: 交叉验证的折数
    :return: 交叉验证的准确率
    """
    acc = 0
    indices = np.arange(X.shape[0])
    np.random.shuffle(indices)
    X = X[indices]
    y = y[indices]
    fold_size = X.shape[0] // cv
    for i in range(cv):
        test_indices = np.arange(i * fold_size, (i + 1) * fold_size)
        train_indices = np.delete(np.arange(X.shape[0]), test_indices)
        X_train, y_train = X[train_indices], y[train_indices]
        X_test, y_test = X[test_indices], y[test_indices]
        y_pred = []
        for x in X_test:
            dists = np.sum((x - X_train) ** 2, axis=1)
            nearest_indices = np.argsort(dists)[:k]
            nearest_labels = y_train[nearest_indices]
            pred_label = np.argmax(np.bincount(nearest_labels))
            y_pred.append(pred_label)
        acc += np.sum(np.array(y_test) == np.array(y_pred)) / len(y_test)
    return acc / cv

在这个例子中，我们使用了numpy库来进行矩阵计算和随机抽样。在函数中，我们首先随机打乱数据集，然后将其分为cv份。然后对于每个测试集，我们使用KNN算法在训练集上进行预测，并计算准确率。最后，我们将k次预测准确率的平均值返回作为交叉验证的准确率。