【机器学习应用】【Pyhton】K近邻算法（KNN）

【机器学习应用】【Python】K近邻（KNN）

mglearn

在开始之前再介绍一个机器学习算法的工具包mglearn，是《Introduction to Machine Learning with Python》整本书使用的一个工具包，拥有许多可视化的模块帮助我们理解算法，完整代码参考github

安装mglearn参考set up

# 终端安装
pip install mglearn

# Jupyter Notebook安装
!pip install mglearn

K近邻简介

K近邻算法是一种适用于回归和分类的机器学习算法，它的基本原理是根据距离某一个数据点最近的k个数据的类别对其进行分类。例如，当k=1时，对于一个数据点，KNN算法会将其分类为离它最近的第一个数据的类别。

mglearn.plots.plot_knn_classification(n_neighbors=1)

通常计算数据点和周围数据的距离方法有三种：

1. 欧氏距离（Euclidean distance）
2. 曼哈顿距离（Manhattan distance）
3. 明可夫斯基距离（Minkowski distance）

如何使用KNN

以乳腺癌数据集load_breast_cancer为示例：

from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier

cancer_data = load_breast_cancer()
X_train, X_test, y_train, y_test = train_test_split(cancer_data.data, cancer_data.target, random_state=42)

# 创建一个KNN模