knn算法python代码实例

以下是一个KNN算法的Python代码实例：

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

# 加载鸢尾花数据集
iris = load_iris()
X = iris.data
y = iris.target

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)

# 构建KNN分类器
knn = KNeighborsClassifier(n_neighbors=3)

# 训练模型
knn.fit(X_train, y_train)

# 预测
y_pred = knn.predict(X_test)

# 输出准确率
print("Accuracy:", knn.score(X_test, y_test))

以上代码使用了scikit-learn库中的KNeighborsClassifier类来构建KNN分类器，并使用load_iris函数加载了鸢尾花数据集。代码将数据集分为训练集和测试集，并使用fit方法训练模型。最后，使用predict方法进行预测，并输出分类器的准确率。

相关问题

knn算法python代码

以下是一个简单的 KNN 算法的 Python 实现，假设你已经有了包含训练数据和测试数据的 numpy 数组 X_train, y_train, X_test：

import numpy as np

def euclidean_distance(x1, x2):
    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):
        distances = [euclidean_distance(x, x_train) for x_train in self.X_train]
        k_idx = np.argsort(distances)[:self.k]
        k_nearest_labels = [self.y_train[i] for i in k_idx]
        most_common = Counter(k_nearest_labels).most_common(1)
        return most_common[0][0]

该算法首先定义了一个计算欧几里得距离的函数 `euclidean_distance`。接着定义了一个 KNN 类，包括初始化方法 `__init__` 和三个方法：`fit`、`predict` 和 `_predict`。

`__init__` 方法用于初始化 KNN 实例，需要传入一个参数 k，表示使用多少个最近邻来进行分类。

`fit` 方法用于训练模型，需要传入训练数据 X 和标签 y。

`predict` 方法用于预测测试数据 X 的标签，返回一个 numpy 数组。

`_predict` 方法是一个私有方法，用于计算单个测试样本 x 的预测标签。它计算测试样本 x 与每个训练样本之间的距离，找到距离最近的 k 个训练样本，并统计它们的标签出现次数，取出现次数最多的标签作为预测标签。

在实际使用时，你需要先实例化 KNN 类，并调用 fit 方法进行训练，然后调用 predict 方法进行预测，如下所示：

from collections import Counter

knn = KNN(k=3)
knn.fit(X_train, y_train)

y_pred = knn.predict(X_test)

其中，X_train 和 y_train 是训练数据和标签，X_test 是测试数据，y_pred 是预测的标签。

使用鸢尾花数据集来做knn的python代码实例

当然可以。使用Python的scikit-learn库进行KNN（K-Nearest Neighbors，最近邻算法）分类，以Iris（鸢尾花）数据集为例，首先需要导入所需的库并加载数据，然后训练模型、进行预测和评估性能。这是一个基本的步骤：

# 导入所需库
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集
iris = load_iris()
X = iris.data   # 特征
y = iris.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，设置k值为3（可以根据需求调整）
knn = KNeighborsClassifier(n_neighbors=3)

# 训练模型
knn.fit(X_train, y_train)

# 进行预测
y_pred = knn.predict(X_test)

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

#