基础算法-KNN（邻近算法）_使用knn算法预测房租并显示结果-优快云博客

本文深入介绍了KNN（K-Nearest Neighbors）算法，包括算法的核心思想——物以类聚，人以群分。内容涵盖KNN的概述、如何找邻居、距离的定义（如欧式和曼哈顿距离）、K值的选择及其对结果的影响，以及算法的优缺点。此外，文章还通过代码实战部分，讲解了KNN算法在实际应用中的参数设置，如n_neighbors参数，并提供了经典数据集分类任务和多分类案例分析。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

KNN算法原理介绍

KNN概述

在这里插入图片描述
knn的线性回归例子
房东房屋出租：租多少钱合适呢？
找到和自己房子位置、户型等条件类似的n套，它们多少租金，我也多少租金。

在这里插入图片描述
knn的逻辑回归例子：
有已知的4部电影：根据镜头类别多少来分类成动作片和爱情片。有一部未知电影，假设K = 3，那么就计算其与前3部电影的距离d1,d2,d3，当未知电影与爱情片的距离d1、d2小于和动作片的距离d3时，判定未知电影是爱情片。

算法核心和实质

核心：物以类聚，人以群分
实质：找邻居，投票决定
在这里插入图片描述

原理详述

如何找邻居，找几个，如何投票？

在这里插入图片描述

距离的定义

在这里插入图片描述

欧式距离：两点间直线距离
曼哈顿距离：直线作为斜边构成直角三角形，两条直角边就是曼哈顿距离

K值的选取

k值选取不同，会导致不同的结果

如何投票

哪个多就是哪个类别

优缺点

在这里插入图片描述

代码实战

KNN算法API参数详解

在这里插入图片描述

n_neighbors：K值，邻居的个数，默认为5【关键参数】，为了取得合适的k，一般会先遍历

score()：调出knn方法效果的评分

经典数据集分类任务（单分类）

"""
鸢尾花
"""
import pandas as pd
'''
训练集
测试集
'''
train_data = pd.read_excel(r'/Users/dx/Desktop/Python数据分析与机器学习/7.KNN算法/鸢尾花案例/鸢尾花训练数据.xlsx')
test_data = pd.read_excel(r'/Users/dx/Desktop/Python数据分析与机器学习/7.KNN算法/鸢尾花案例/鸢尾花测试数据.xlsx')

'''
处理数据
数据分离
'''
train_data.columns
train_x = train_data[['萼片长(cm)', '萼片宽(cm)', '花瓣长(cm)', '花瓣宽(cm)']]
train_y = train_data[['类型_num']]

'''
数据标准化
Z-Score标准化
'''
from sklearn.preprocessing import scale
data = pd.DataFrame()
data['萼片长标准化'] = scale(train_x['萼片长(cm)'])
data['萼片宽标准化'] = scale(train_x['萼片宽(cm)'])
data