在sklearn中如何使用K最近邻算法

在Scikit-Learn（sklearn）库中，K近邻（K-Nearest Neighbors，KNN）算法是一个非常基础但实用的机器学习分类和回归方法。以下是使用KNN的基本步骤：

1. 导入库和数据集：

from sklearn.neighbors import KNeighborsClassifier (分类) 或 KNeighborsRegressor (回归)
import pandas as pd
# 加载数据集，假设数据存储在一个CSV文件中
data = pd.read_csv('your_dataset.csv')
X = data.drop('target_column', axis=1) # 特征变量
y = data['target_column'] # 目标变量

2. 初始化模型并训练：

knn_model = KNeighborsClassifier(n_neighbors=5) # 设置邻居数量，默认值一般为5
knn_model.fit(X, y)

或者对于回归任务：

knn_model = KNeighborsRegressor()
knn_model.fit(X, y)

3. 预测新数据点：

new_data = [[some_features]]  # 新的数据点特征
prediction = knn_model.predict(new_data)

4. 评估性能：

from sklearn.metrics import accuracy_score (分类) 或 mean_squared_error (回归)
accuracy = accuracy_score(y_test, predictions)  # 对于分类任务
mse = mean_squared_error(y_test, predicted_values)  # 对于回归任务