knn算法判断水果类别代码

K-Nearest Neighbors (KNN) 算法是一种基于实例的学习方法，用于分类问题。在水果类别预测中，假设我们有每个水果的一些特征（如颜色、形状、纹理等数据），我们可以按照以下步骤编写简单的Python代码：

# 导入所需库
import numpy as np
from sklearn.datasets import load_iris  # 使用iris数据集作为示例，替换为实际水果数据
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score

# 加载数据集并预处理
data = load_iris()
X = data.data  # 特征
y = data.target  # 类别标签

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建KNN分类器，这里设k值为5（可以根据需要调整）
knn = KNeighborsClassifier(n_neighbors=5)

# 训练模型
knn.fit(X_train, y_train)

# 预测
y_pred = knn.predict(X_test)

# 评估模型性能
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

# 示例结束，你可以通过更改输入的水果特征数据，对新的水果进行类别预测

这个例子中，当你提供一个新的水果特征向量时，KNN会找到训练集中最接近的五个邻居，并根据它们的类别多数决定新样本的类别。