k近邻算法的Python实现

k近邻算法（K-Nearest Neighbors，简称KNN）是一种基于实例的学习方法，它通过查找训练集中最相似的数据点来进行预测。在Python中，可以使用sklearn库来方便地实现KNN算法。以下是一个简单的步骤：

from sklearn.neighbors import KNeighborsClassifier
# 导入数据处理模块
from sklearn.datasets import load_iris
import numpy as np

# 加载示例数据集（例如鸢尾花数据集）
iris = load_iris()
X = iris.data  # 特征
y = iris.target  # 标签

# 创建KNN分类器
knn = KNeighborsClassifier(n_neighbors=3)  # n_neighbors指k值，默认5，这里设置成3

# 训练模型
knn.fit(X, y)

# 预测新数据点
new_data = [[4.7, 3.1, 1.5, 0.2]]  # 新样本特征
prediction = knn.predict(new_data)

print("预测结果:", prediction)

在这个例子中，我们首先加载数据，创建`KNeighborsClassifier`对象并设置邻居的数量（这里是3），然后使用`fit()`方法对模型进行训练，最后通过`predict()`方法对新的数据点进行分类。

相关问题

k近邻算法Python实现

k近邻算法（k-Nearest Neighbor，k-NN）是一种基本的分类和回归方法，它的思路是：如果一个样本在特征空间中的k个最相似（即特征空间中最邻近）的样本中的大多数属于某一个类别，则该样本也属于这个类别。

以下是一个简单的k近邻算法Python实现：

import numpy as np
from collections import Counter

def knn(X_train, y_train, x, k):
    distances = [np.sqrt(np.sum((x - x_train) ** 2)) for x_train in X_train]
    nearest = np.argsort(distances)
    top_k = [y_train[i] for i in nearest[:k]]
    votes = Counter(top_k)
    return votes.most_common(1)

# 示例
X_train = np.array([[1, 2], [1, 4], [2, 1], [4, 2], [4, 4]])
y_train = ['A', 'A', 'B', 'B', 'B']
x = np.array([3, 2.5])
print(knn(X_train, y_train, x, k=3))

在上述代码中，`X_train`是训练集数据，`y_train`是训练集标签，`x`是待分类的数据点，`k`表示选取的最近邻个数。

函数首先计算待分类数据点与训练集中所有数据点的距离，并将距离从小到大排序。然后选择距离最小的前k个数据点，并统计它们所属的类别。最后返回出现次数最多的类别作为预测结果。

k近邻算法python

k近邻算法是一种常见的机器学习算法，用于分类和回归。在Python中，我们可以使用scikit-learn库来实现k近邻算法。

下面是一个简单的例子：

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 = iris.data
y = 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)

# 创建分类器
knn = KNeighborsClassifier(n_neighbors=3)

# 训练模型
knn.fit(X_train, y_train)

# 预测测试集
y_pred = knn.predict(X_test)

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

在这个例子中，我们使用了鸢尾花数据集来训练和测试k近邻算法。首先，我们加载数据集并将其分为训练集和测试集。然后，我们创建一个k近邻分类器，并使用训练数据对其进行拟合。最后，我们用测试数据进行预测，并输出模型的准确率。