KNN（K邻近）分类算法 —— 代码简洁

借助sklearn机器学习工具库

代码比较简洁易懂，内有详细的解释和步骤。

直接复制，带入数据，进行调用，即可出结果。

其中选取的邻近n个点作为分类参考，参数n可以通过不断的调试，配合模型评价结果来获得最优参数值

代码如下：

def KNN(X_train, Y_train, X_test, Y_test, n):
    """
    X_train: 特征训练集
    Y_train: 标注训练集
    X_test: 特征测试集
    Y_test: 标注测试集
    n: 选择邻近的n个点来对目标进行分类
    """

    # 01.创建模型
    from sklearn.neighbors import KNeighborsClassifier
    knn_model = KNeighborsClassifier(n_neighbors=n)

    # 02.训练模型
    knn_model.fit(X_train, Y_train)

    # 03.预测
    Y_pred = knn_model.predict(X_test)

    # 04.模型评价(accuracy_score:准确率；recall_score：召回率； f1_score：F值)
    from sklearn.metrics import accuracy_score, recall_score, f1_score
    print('ACC:', accuracy_score(Y_test, Y_pred))
    print('REC:', recall_score(Y_test, Y_pred))
    print('F-Score:', f1_score(Y_test, Y_pred))

    return

这里的模型评价指标选择了：

① accuracy_score:准确率；
② recall_score：召回率；
③ f1_score：F值。

在上面代码中都是针对测试集的效果，也可以对训练集进行预测，然后评价训练集的效果，综合比较，可以看看是否会出现过拟合现象。