k近邻算法python

K近邻算法（K-Nearest Neighbors, KNN）是一种基本的分类和回归算法，它的核心思想是通过训练数据中与目标数据最近的k个样本的类别，来确定目标数据的类别。在Python中，可以使用scikit-learn库来实现KNN算法。下面是一个简单的KNN算法的Python代码实现：

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

# 加载数据集
iris = load_iris()
X, y = iris.data, 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)

# 训练KNN分类器
knn = KNeighborsClassifier(n_neighbors=3)
knn.fit(X_train, y_train)

# 预测测试集
y_pred = knn.predict(X_test)

# 计算分类器准确率
accuracy = knn.score(X_test, y_test)
print("Accuracy:", accuracy)

在这个例子中，我们使用了iris数据集作为训练数据，然后使用KNeighborsClassifier类来训练KNN分类器，并且使用train_test_split函数将数据集划分为训练集和测试集。接着，我们通过调用predict方法来预测测试集，并且通过调用score方法来计算分类器的准确率。