基于最近邻数据进行分类

 人工智能例子汇总：AI常见的算法和例子-CSDN博客 

完整代码：

import torch
import numpy as np
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score
import matplotlib.pyplot as plt# 生成一个简单的数据集 (2个特征和2个分类)
# X为输入特征，y为标签
X = np.array([[1, 2], [2, 3], [3, 4], [5, 7], [6, 8], [7, 9], [8, 10], [3, 6], [4, 5], [6, 4]])
y = np.array([0, 0, 0, 1, 1, 1, 1, 0, 0, 1])# 数据转换为 PyTorch 张量
X_tensor = torch.tensor(X, dtype=torch.float32)
y_tensor = torch.tensor(y, dtype=torch.long)# 打印数据
print("Features:")
print(X_tensor)
print("Labels:")
print(y_tensor)# 使用 sklearn KNN 分类器，调整邻居数量为 5
knn = KNeighborsClassifier(n_neighbors=5)
knn.fit(X, y)# 预测
y_pred = knn.predict(X)# 计算准确率
accuracy = accuracy_score(y, y_pred)
print(f"Accuracy: {accuracy * 100:.2f}%")# 可视化数据
plt.figure(figsize=(6, 4))
plt.scatter(X[:, 0], X[:, 1], c=y, cmap='bwr', marker='o', edgecolor='k', s=100)
plt.title("KNN Classification Example")
plt.xlabel("Feature 1")
plt.ylabel("Feature 2")
plt.show()# 测试：给定新的输入数据进行预测
test_data = np.array([[5, 6], [2, 3]])
test_prediction = knn.predict(test_data)print(f"Predictions for test data {test_data} are {test_prediction}")

• 生成数据：创建了一个具有 2 个特征和 2 个类别标签的数据集。X 是输入特征，y 是标签。
• 转换为 PyTorch 张量：虽然这里我们不需要在 KNN 算法中使用 PyTorch，但我们将数据转换为 PyTorch 张量，显示如何与 PyTorch 数据结构进行交互。
• KNN 分类器：使用 sklearn.neighbors.KNeighborsClassifier 创建并训练 KNN 模型。我们将 n_neighbors 设置为 5，即选择 5 个最近邻。
• 预测与准确率：使用训练好的模型对所有数据进行预测，并计算准确率。
• 可视化：使用 matplotlib 将数据点可视化，数据点的颜色根据标签进行区分。
• 测试预测：我们对新的测试数据点 [5, 6] 和 [2, 3] 进行预测。
• 结果：

• Features:
  tensor([[ 1.,  2.],[ 2.,  3.],[ 3.,  4.],[ 5.,  7.],[ 6.,  8.],[ 7.,  9.],[ 8., 10.],[ 3.,  6.],[ 4.,  5.],[ 6.,  4.]])
  Labels:
  tensor([0, 0, 0, 1, 1, 1, 1, 0, 0, 1])
  Accuracy: 90.00%
  Predictions for test data [[5 6][2 3]] are [1 0]