写一段knn算法代码

### 回答1：

from sklearn.neighbors import KNeighborsClassifier

# 设置k值为5
knn = KNeighborsClassifier(n_neighbors=5)

# 训练模型
knn.fit(X_train, y_train)

# 预测
y_pred = knn.predict(X_test)

# 评估
print(metrics.accuracy_score(y_test, y_pred))

上面这段代码使用了 scikit-learn 库中的 KNeighborsClassifier 来实现 KNN 算法。
首先通过设置 n_neighbors=5 实例化了一个 knn 分类器对象，然后使用 fit 方法训练模型，
最后使用 predict 方法预测测试集的类别，并使用 accuracy_score 来评估模型的准确度。
值得注意的是，在上面的代码中，X_train, y_train, X_test, y_test 都是训练集和测试集数据。

### 回答2：
KNN（K-最近邻）算法是一种分类和回归的机器学习算法。其基本思想是根据实例之间的距离来确定新样本的分类。以下是一个简单的KNN分类算法的示例代码：

import numpy as np

def euclidean_distance(x1, x2):
    # 计算欧几里得距离
    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):
        y_pred = [self._predict(x) for x in X]
        return np.array(y_pred)

    def _predict(self, x):
        # 计算新样本x与所有训练样本之间的距离
        distances = [euclidean_distance(x, x_train) for x_train in self.X_train]
        # 对距离进行排序，获取距离最小的k个样本的索引
        k_indices = np.argsort(distances)[:self.k]
        # 获取距离最小的k个样本的对应标签
        k_nearest_labels = [self.y_train[i] for i in k_indices]
        # 统计k个样本中每个类别出现的次数
        most_common = np.argmax(np.bincount(k_nearest_labels))
        return most_common

上述代码中，首先定义了一个计算欧几里得距离的函数`euclidean_distance`，它用于衡量两个样本之间的距离。接下来定义了一个KNN类，其中初始化函数`__init__`用于指定k值，默认为3。`fit`函数用于训练模型，接收训练集X和对应的标签y作为输入。`predict`函数用于对新样本进行分类预测，接收测试集X作为输入，通过调用私有函数`_predict`来对每个样本进行预测。私有函数`_predict`计算新样本与所有训练样本之间的距离，并按照距离的远近进行排序，取出距离最小的k个样本的标签进行统计，最后返回出现次数最多的标签作为预测结果。

这段代码提供了一个简单的KNN算法的实现，可以通过实例化KNN类、调用fit函数进行模型训练，再通过调用predict函数进行分类预测。

### 回答3：
K最近邻（K-nearest neighbors，KNN）是一种简单且经典的分类算法。它根据事先标记好的数据集中的样本属性和类别，以及待分类样本的属性，通过比较距离确定待分类样本的类别。以下是一个简单的KNN算法的代码示例。

import numpy as np

def knn(train_data, train_labels, test_data, k):
    distances = []
    
    # 计算待分类样本与训练样本之间的欧几里得距离
    for i in range(len(train_data)):
        distance = np.sqrt(np.sum(np.square(test_data - train_data[i])))
        distances.append((distance, train_labels[i]))
    
    # 根据距离进行排序
    distances.sort(key=lambda x: x[0])
    
    # 统计前k个最近邻居中的类别
    class_count = {}
    for i in range(k):
        label = distances[i][1]
        class_count[label] = class_count.get(label, 0) + 1
    
    # 返回出现次数最多的类别作为待分类样本的类别
    max_count = 0
    max_label = None
    for label, count in class_count.items():
        if count > max_count:
            max_count = count
            max_label = label
    
    return max_label

# 示例数据
train_data = np.array([[1, 1], [1, 2], [2, 2], [4, 4], [5, 5]])
train_labels = np.array(['A', 'A', 'A', 'B', 'B'])
test_data = np.array([3, 3])
k = 3

# 调用KNN算法进行分类
class_label = knn(train_data, train_labels, test_data, k)
print("待分类样本的类别为：", class_label)

在上述代码中，我们首先计算待分类样本与训练样本之间的欧几里得距离，并将距离以及对应的类别保存在列表`distances`中。然后，我们根据距离进行排序，选取前k个最近邻居，并统计它们的类别。最后，我们返回出现次数最多的类别作为待分类样本的类别。

以上就是一个简单的KNN算法的实现。该算法可以根据训练数据集对未知样本进行分类。