本文使用簡單的例子，使用22行代碼（刨除註釋），快速實現knn。爲了更加方便理解，沒有使用knn的函數，只是用了簡單的矩陣操作和計數操作，希望對初學者有幫助。
先來看看數據的格式：
（下載地址：鏈接：https://pan.baidu.com/s/1j3JsTJUZtV0sgQEVl0UQJg 提取碼：7idx ）
每一個動物對應17個特徵，包括有沒有羽毛、下不下蛋等。其中最後一個特徵（第二幅圖的最後一列）表示動物的類別。我們的目的是使用前面的16個特徵利用knn預測動物的類別。所以沒有使用到動物的名字信息。
話不多說，直接上代碼，改一下讀取數據的路徑，可以直接跑通：
#使用屬性預測動物的7種類別
import pandas as pd
import numpy as np
from collections import Counter
#讀數據，別忘了改路徑
ZooData = pd.read_csv('/your_path/zoo.csv')
#將dataframe轉換爲數組，方便計算，同時捨棄了動物的名字的信息，因爲對於這個程序沒有用
X = np.array(ZooData.iloc[0:101,1:17])
Y = np.array(ZooData.iloc[0:101,17])
#超參數k取4
k = 4
#總共101個數據，將每一個數據分別拿出來進行預測，預測對的數量爲predict_true
predict_true = 0
for i in range(0,101):
#取出要預測的樣本
x_p = X[i]
y_p = Y[i]
#從數據中刪除要預測的樣本
X_p = np.delete(X,i,axis=0)
Y_p = np.delete(Y,i,axis=0)
#計算待預測樣本與數據中其它樣本的距離
distances=[np.sqrt(np.sum((x_p-x)**2)) for x in X_p]
#排序
d = np.sort(distances)
#排序的索引號
nearest = np.argsort(distances)
#取出最接近的k個
topk_y = [Y_p[j] for j in nearest[:k]]
#接近最多的作爲預測標籤
votes = Counter(topk_y)
predict_y=votes.most_common(1)[0][0]
#預測對了，predict_true增加1
if(predict_y==y_p): predict_true += 1
#計算正確率
precision = predict_true/101
#雷達圖可視化
pd.plotting.radviz(ZooData.iloc[0:100,1:18], 'class_type')
代碼的註釋寫的很清晰了，不再贅述。最後看一下可視化的雷達圖。
可以發現還是有一定的分佈規律的，當超參數k=4的時候，準確率可以達到94%。
完
歡迎討論 歡迎吐槽