K近邻算法（K-Nearest Neighbors，KNN）

本文主要是介绍K近邻算法（K-Nearest Neighbors，KNN），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

K近邻算法（K-Nearest Neighbors，KNN）是一种基本的监督学习算法，常用于分类和回归任务。KNN的基本思想是通过测量不同样本点之间的距离，将新样本的类别标签赋予其K个最近邻居中出现最频繁的类别。

在这里插入图片描述

以下是KNN的基本原理和使用方法：

基本原理

距离度量： KNN通常使用欧氏距离（Euclidean distance）或其他距离度量来衡量样本点之间的相似性。
邻居选择：对于一个新样本，找到离它最近的K个训练样本。
多数投票：对于分类问题，将K个最近邻居的类别标签进行投票，选择得票最多的类别作为新样本的预测类别。对于回归问题，可以取K个最近邻居的平均值作为预测值。

优点

简单而有效： KNN是一种非参数化方法，模型不需要训练过程，易于理解和实现。
适用于多类别问题： KNN可用于处理多类别分类问题。

使用方法

KNN的使用通常包括以下步骤：

数据准备：收集并准备好带标签的训练数据集。
选择K值：选择K值，即决定考虑多少个最近邻居。
距离度量：选择合适的距离度量方法。
训练模型：对于KNN来说，训练过程仅仅是将训练数据存储起来。
预测：对于新样本，计算它与训练数据中每个样本的距离，选取距离最近的K个样本，通过多数投票确定预测类别。

代码示例（使用Python和`scikit-learn`）

以下是一个简单的KNN分类的示例：

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, classification_report# 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=0.2, random_state=42)# 创建KNN模型
model = KNeighborsClassifier(n_neighbors=3)  # 设置K值为3# 训练模型
model.fit(X_train, y_train)# 预测
y_pred = model.predict(X_test)# 评估模型性能
accuracy = accuracy_score(y_test, y_pred)
report = classification_report(y_test, y_pred)print(f'Accuracy: {accuracy}')
print(f'Classification Report:\n{report}')