如何在Python中最基础地实现K最近邻(KNN)算法？

在Python中，实现K最近邻（KNN）算法的基本步骤如下：

1. **数据准备**：首先，你需要有一个包含训练数据集的数据结构，如Pandas DataFrame或NumPy数组，其中每个样本都有特征和对应的标签。

from sklearn.datasets import load_iris
X_train, y_train = load_iris(return_X_y=True)

2. **导入库**：使用sklearn库中的`neighbors`模块来实现KNN算法。

from sklearn.neighbors import KNeighborsClassifier

3. **创建模型**：选择合适的K值，比如5，然后实例化KNN分类器。

knn = KNeighborsClassifier(n_neighbors=5)

4. **拟合模型**：使用训练数据对模型进行训练。

knn.fit(X_train, y_train)

5. **预测**：对于新的未知数据点，调用`predict()`方法来进行分类。

new_data = ... # 新的输入数据
prediction = knn.predict(new_data)

6. **评估性能**：如果需要，可以使用交叉验证等方法评估模型的性能。

from sklearn.model_selection import cross_val_score
scores = cross_val_score(knn, X_train, y_train, cv=5)
print("Accuracy:", scores.mean())