人工智能—kNN算法

概述
KNN 可以说是最简单的分类算法之一，同时，它也是最常用的分类算法之一。注意：KNN 算法是有监督学习中的分类算法，它看起来和另一个机器学习算法 K-means 有点像（K-means 是无监督学习算法），但却是有本质区别的。
核心思想
KNN 的全称是 K Nearest Neighbors，意思是 K 个最近的邻居。从这个名字我们就能看出一些 KNN 算法的蛛丝马迹了。K 个最近邻居，毫无疑问，K 的取值肯定是至关重要的，那么最近的邻居又是怎么回事呢？其实，KNN 的原理就是当预测一个新的值 x 的时候，根据它距离最近的 K 个点是什么类别来判断 x 属于哪个类别。听起来有点绕，还是看看图吧。

#KNN回归APL
from sklearn.neighbors import KNeighborsRegressor #导报
x=[[0,3,2],[1,4,2],[2,3,4],[3,5,6]]#数据
y=[0.1,0.2,0.3,0.4]
model=KNeighborsRegressor (n_neighbors=3)#实体化
model.fit(x,y)#训练
mypre=model.predict([[4,2,3]])#预测
print(mypre)

#KNN分类APL
from sklearn.neighbors import KNeighborsClassifier #导报
x=[[0,3,2],[1,4,2],[2,3,4],[3,5,6]]#数据
y=[1,2,3,4]
model=KNeighborsClassifier(n_neighbors=3)#实体化
model.fit(x,y)#训练
mypre=model.predict([[4,2,3]])#预测
print(mypre)