如何实现一个KNN算法

教你如何自己实现KNN算法

KNN算法，也称为K邻近算法，可以解决回归和分类问题，但解决分类问题才是它的优势。

KNN算法的本质就是寻找与我们提供的数据相似的k个样本，然后判断这k个样本的标签，最后统计每个标签出现的次数，次数最多的标签，就会被当作我们提供的数据的标签。

先说说工作流程：

1. 机器学习是基于数据的，所以要先将实物转换为向量、矩阵或张量的形式
2. 通过欧式距离计算出测试样本与其他样本之间的距离
3. 将距离按照小到大排序，并取前K个值
4. 判断前K个值相应的标签，并进行统计
5. 统计最多的标签即为预测结果

现在我们来动手实现一下

先导入所有需要导入的库或模块

# 导入sklearn自带的数据集
from sklearn import datasets
# 导入计数器，用于统计标签出现的次数
from collections import Counter
# 用于分割数据集
from sklearn.model_selection import train_test_split
# 用于计算欧式距离
import numpy as np

其次，导入iris数据集，存储样本特征和标签

data = datasets.load_iris()