K Nearest Neighbor算法⼜叫KNN算法， 这个算法是机器学习⾥⾯⼀个⽐较经典的算法， 总体来说KNN算法是相对⽐

较容易理解的算法。

python中K-NN算法定义

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。（起源：KNN最早是由Cover和Hart提出的一种分类算法）；俗话就是：根据“邻居”来推断出你的类别。

python中K-NN算法基本流程

（1）计算已知类别数据集中的点与当前点之间的距离2)按距离递增次序排序

（2）选取与当前点距离最小的k个点

（3）统计前k个点所在的类别出现的频率

（4）返回前k个点出现频率最高的类别作为当前点的预测分类

python中K-NN算法实例

代码涉及sklean库，需要安装sklearn库。

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
 
# 1.获取数据
iris = load_iris()
 
# 2.数据基本处理：训练集的特征值x_train 测试集的特征值x_test 训练集的⽬标值y_train 测试集的⽬标值y_test，
'''
x: 数据集的特征值
y: 数据集的标签值
test_size: 测试集的⼤⼩， ⼀般为float
random_state: 随机数种⼦,不同的种⼦会造成不同的随机采样结果。 相同的种⼦采样结果相同
'''
x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=22)
 
# 3.特征工程 - 特征预处理
transfer = StandardScaler()
x_train = transfer.fit_transform(x_train)
x_test = transfer.transform(x_test)
 
# 4.机器学习-KNN
# 4.1 实例化一个估计器
estimator = KNeighborsClassifier(n_neighbors=5)
# 4.2 模型训练
estimator.fit(x_train, y_train)
 
# 5.模型评估
# 5.1 预测值结果输出
y_pre = estimator.predict(x_test)
print("预测值是:\n", y_pre)
print("预测值和真实值的对比是:\n", y_pre==y_test)
 
# 5.2 准确率计算
score = estimator.score(x_test, y_test)
print("准确率为:\n", score)

以上就是python中K-NN算法的介绍，希望能对大家有所帮助。