python利用sklearn实现KNN模型

KNN（K-Nearest Neighbors）是一种基于实例的学习方法，它是一种无参数的模型，能够处理分类和回归问题。

在Python中，我们可以使用scikit-learn（sklearn）库来实现KNN模型。下面是一个使用sklearn实现KNN模型的示例代码。

from sklearn.neighbors import KNeighborsClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载数据集
iris = 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=0.3, random_state=42)

# 创建KNN分类器
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)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

在上面的代码中，我们使用了鸢尾花数据集作为示例数据集，首先加载数据集并将其分为训练集和测试集。然后，我们创建了一个KNN分类器，并使用训练集对其进行训练。最后，我们对测试集进行预测，并计算准确率。

在创建KNN分类器时，我们指定了一个参数n_neighbors，它表示我们要考虑多少个最近的邻居。在训练模型时，KNN算法会计算每个样本点与最近的k个邻居之间的距离，并将它们归为最近的邻居中出现最多的类别。

总的来说，使用sklearn实现KNN模型非常简单，只需要几行代码就可以完成。