python 实现 kNN 算法

kNN（kNearest Neighbors）算法是一种基于实例的分类算法，它的工作原理是：给定一个训练数据集，对于新的输入实例，在训练数据集中找到与该实例最接近的k个实例，这k个实例的多数属于某个类别，则该输入实例也属于这个类别。

下面是一个简单的Python实现kNN算法的例子：

import numpy as np
from collections import Counter
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_indices = np.argsort(distances)[:self.k]
        k_nearest_labels = [self.y_train[i] for i in k_indices]
        most_common = Counter(k_nearest_labels).most_common(1)
        return most_common[0][0]
示例用法
if __name__ == "__main__":
    from sklearn.datasets import load_iris
    from sklearn.model_selection import train_test_split
    from sklearn.metrics import accuracy_score
    iris = load_iris()
    X, y = iris.data, iris.target
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
    knn = KNN(k=3)
    knn.fit(X_train, y_train)
    predictions = knn.predict(X_test)
    accuracy = accuracy_score(y_test, predictions)
    print("Accuracy:", accuracy)

在这个例子中，我们首先定义了一个计算欧氏距离的函数euclidean_distance，然后创建了一个KNN类，其中包含了fit和predict方法。fit方法用于存储训练数据，predict方法用于对新的输入数据进行预测，我们还定义了一个辅助方法_predict，它负责计算输入实例与训练数据集中所有实例的距离，找到最近的k个邻居，并返回这些邻居中最常见的类别标签。

我们使用鸢尾花数据集（Iris dataset）来测试我们的kNN实现，并将预测结果与实际标签进行比较以计算准确率。