比较不同K值超参数下模型准确率（使用R语言）

本文介绍了如何使用R语言实现K最近邻（KNN）算法，并通过比较不同K值下模型在鸢尾花数据集上的准确率，展示选择适当K值的重要性。实验结果显示，K值在1到10范围内变化时，模型的准确率保持稳定，均为0.97。

比较不同K值超参数下模型准确率（使用R语言）

介绍：
在机器学习中，K最近邻（K-Nearest Neighbors，简称KNN）是一种常用的分类算法。KNN算法基于实例之间的距离进行分类，其中K是一个超参数，代表了在分类过程中考虑的最近邻的数量。选择适当的K值对于KNN算法的准确性至关重要。本文将使用R语言实现KNN算法，并比较不同K值下模型的准确率。

数据集：
首先，我们需要准备一个用于训练和测试的数据集。在本示例中，我们将使用一个经典的鸢尾花数据集（Iris dataset）。该数据集包含了150个样本，每个样本包括了鸢尾花的萼片长度、萼片宽度、花瓣长度和花瓣宽度四个特征，以及其对应的类别标签（Setosa、Versicolor和Virginica）。

代码实现：
首先，我们需要加载所需的库并导入数据集：

library(class)
data(iris)

接下来，我们将数据集分为训练集和测试集。我们将80%的样本用于训练，20%的样本用于测试：

set.seed(123)  # 设置随机种子以确保结果可重现
train_indices <- sample(1:nrow(iris), 0.8 * nrow(iris))
train_data <- iris[train_indices, ]
test_data <- iris[-train_indices, ]

然后，我们定义一个函数来训练和测试KNN模型，并返回模型的准确率：