knn算法代码

以下是一个简单的knn算法的Python代码示例：

import numpy as np
from collections import Counter

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

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

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

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

    def _predict(self, x):
        distances = [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]

在这个代码中，我们定义了一个KNN类，其中包含以下方法：

- `__init__(self, k=3)`：初始化函数，其中k是KNN算法中的k值，默认为3。
- `fit(self, X, y)`：训练函数，其中X是训练数据集，y是对应的标签。
- `_predict(self, x)`：预测函数，其中x是一个样本，用于预测该样本的标签。
- `predict(self, X)`：批量预测函数，其中X是一批数据，用于批量预测这些数据对应的标签。

在这个代码中，我们使用了欧氏距离计算样本之间的距离，并使用Counter类来计算k个最近邻样本中出现最多的标签。