如何用Python编写KNN算法？

KNN（K-Nearest Neighbors，K近邻算法）是一种简单而常用的分类算法。它的思想是通过测量不同样本之间的距离，将测试样本分类到最近的K个邻居中。本文将介绍如何使用Python编写并实现KNN算法，并提供具体的代码示例。

首先，我们需要准备一些数据。假设我们有一组二维的数据集，每个样本都有两个特征。我们将数据集分为两个类别，并在二维平面上绘制出来。代码如下：

import numpy as np
import matplotlib.pyplot as plt

# 生成随机数据
np.random.seed(0)
X1 = np.random.randn(100, 2) + np.array([0, 2])
X2 = np.random.randn(100, 2) + np.array([2, 0])
X = np.vstack((X1, X2))
y = np.hstack((np.zeros(100), np.ones(100)))

# 绘制数据集
plt.scatter(X[:, 0], X[:, 1], c=y)
plt.show()

接下来，我们需要编写KNN算法的实现代码。首先，我们定义一个函数来计算两个样本之间的欧氏距离（Euclidean Distance）。代码如下：

def euclidean_distance(x1, x2):
    return np.sqrt(np.sum((x1 - x2)**2))

然后，我们编写一个函数来预测一个测试样本的类别。该函数首先计算测试样本与所有训练样本之间的距离，然后选择距离最近的K个样本，并根据这K个邻居的类别进行投票，最后返回得票最多的类别作为预测结果。代码如下：

def knn_predict(X_train, y_train, x_test, k):
    distances = [euclidean_distance(x_test, x) for x in X_train]
    k_indices = np.argsort(distances)[:k]
    k_nearest_labels = [y_train[i] for i in k_indices]
    return np.argmax(np.bincount(k_nearest_labels))

最后，我们将数据集划分为训练集和测试集，并使用KNN算法进行预测。代码如下：

from sklearn.model_selection import train_test_split

# 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)

# 对每个测试样本进行预测
predictions = [knn_predict(X_train, y_train, x_test, k=3) for x_test in X_test]

# 计算准确率
accuracy = np.mean(predictions == y_test)
print("Accuracy:", accuracy)

通过以上代码示例，我们完成了KNN算法的编写。可以看到，使用Python实现KNN算法相对简单，而且代码量较少。在实际应用中，我们可以根据具体问题调整K值，以达到最佳的分类效果。

总结起来，本文介绍了如何使用Python编写KNN算法，包括数据准备、欧氏距离计算、算法实现和准确率计算等步骤。希望本文能对读者理解和应用KNN算法有所帮助。