【Sklearn】基于K邻近算法的数据分类预测（Excel可直接替换数据）

1.模型原理

K最近邻（K-Nearest Neighbors，KNN）是一种基本的监督学习算法，用于分类和回归任务。其模型原理如下：

模型原理：

对于分类任务，KNN的原理可以概括为以下几个步骤：

1. 训练阶段： 将训练数据集中的每个数据点与其标签一起存储。这些数据点和标签构成了训练样本。

2. 预测阶段： 当需要对新的数据点进行分类时，KNN算法执行以下步骤：

   • 计算测试数据点与训练数据集中每个点之间的距离，使用所选择的距离度量（如欧氏距离）。

   • 从训练数据集中选择K个与测试数据点距离最近的数据点，这些数据点就是测试数据点的“最近邻居”。

   • 根据这K个最近邻居的标签，预测测试数据点的标签。对于分类任务，可以通过多数表决的方式，即选择K个邻居中出现最多次的标签作为预测标签。

数学模型：

假设我们有一个训练数据集