knn算法通过身高体重判断性别

KNN（K-Nearest Neighbor）是一种经典的机器学习算法，它可以用于分类和回归。在分类问题中，KNN算法通过寻找与新样本最近邻的K个训练样本的标签，来预测新样本的标签。

下面是一个简单的基于身高体重判断性别的KNN分类程序，使用Python语言实现：

import numpy as np
from sklearn.neighbors import KNeighborsClassifier

# 训练数据
X_train = np.array([[170, 60], [180, 70], [160, 50], [165, 55], [175, 65], [185, 75]])
y_train = np.array(['male', 'male', 'female', 'female', 'male', 'male'])

# 创建KNN分类器
clf = KNeighborsClassifier(n_neighbors=3)

# 拟合模型
clf.fit(X_train, y_train)

# 测试数据
X_test = np.array([[172, 62], [168, 58], [182, 72]])

# 预测
y_pred = clf.predict(X_test)

# 输出结果
print(y_pred)

上述程序中，训练数据包括6个样本，每个样本包括身高和体重两个特征，以及相应的性别标签。我们使用KNeighborsClassifier函数创建一个KNN分类器，并将K值设置为3。然后，我们使用训练数据拟合该模型，并使用测试数据进行预测。最后，输出预测结果。在上述程序中，测试数据包括三个样本，分别为(172, 62)，(168, 58)，(182, 72)，该程序预测这三个样本的性别分别为 male，female，male。

需要注意的是，在实际应用中，我们需要根据具体的问题来选择特征和K值，并且需要对数据进行预处理和特征工程，以提高模型的性能。