基于scikit-learn实现k近邻算法（kNN）与超参数的调试

前一篇关于kNN的博客介绍了算法的底层实现，这片博客让我们一起看一看基于scikit-learn如何快速的实现kNN算法。

scikit-learn内置了很多数据集，就不用我们自己编造假数据了，下面我们分别选用鸢尾花和手写数字识别的数据集。

首先导入需要的库

from sklearn import datasets
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split
import numpy as np 

获取鸢尾花数据集

iris = datasets.load_iris()

iris_x = iris.data
iris_y = iris.target

使用train_test_split对训练集和测试集进行划分，这里随机种子传了666

x_train,x_test,y_train,y_test = train_test_split(iris_x, iris_y, test_size=0.2, random_state = 666)

接下来初始化kNN分类器，并且进行fit操作，由于kNN算法比较简单，fit操作只是把训练数据填进去，复杂一点的fit函数里对于数据有更多的处理。