knn算法python代码

下面是使用Python实现的KNN算法代码：

import numpy as np

class KNN:

    def __init__(self, k=3):
        self.k = k

    def euclidean_distance(self, x1, x2):
        return np.sqrt(np.sum((x1 - x2) ** 2))

    def fit(self, X, y):
        self.X_train = X
        self.y_train = y

    def predict(self, X):
        y_pred = [self._predict(x) for x in X]
        return np.array(y_pred)

    def _predict(self, x):
        distances = [self.euclidean_distance(x, x_train) for x_train in self.X_train]
        k_indices = np.argsort(distances)[:self.k]
        k_nearest_labels = [self.y_train[i] for i in k_indices]
        most_common = Counter(k_nearest_labels).most_common(1)
        return most_common[0][0]

其中，KNN类包含了以下方法：

- `__init__(self, k=3)`：初始化KNN算法，其中k为最近邻的数量，默认值为3。
- `euclidean_distance(self, x1, x2)`：计算两个样本之间的欧几里得距离。
- `fit(self, X, y)`：用于训练KNN模型，其中X为训练集的特征矩阵，y为训练集的标签。
- `predict(self, X)`：用于预测新的数据，其中X为测试集的特征矩阵。
- `_predict(self, x)`：内部方法，用于预测单个数据。

使用KNN算法进行分类时，可以使用如下的步骤：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from collections import Counter

X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

knn = KNN(k=3)
knn.fit(X_train, y_train)
y_pred = knn.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)

print("Accuracy:", accuracy)

以上代码使用了Iris数据集进行了分类，并输出了分类准确率。