编辑代码

from sklearn.model_selection import train_test_split
from sklearn import datasets
from sklearn.neighbors import KNeighborsClassifier

# 加载鸢尾花数据集
iris = datasets.load_iris()
x = iris.data
y = iris.target

# 分割数据集为训练集和测试集
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.3)

# 创建KNN分类器并训练
knn = KNeighborsClassifier()
knn.fit(x_train, y_train)

# 预测并打印结果
print(knn.predict(x_test))
print(y_test)



以下是这段KNN分类器代码的逐行详细解释：

from sklearn.model_selection import train_test_split

导入数据分割工具，用于将数据集划分为训练集和测试集
from sklearn import datasets

导入sklearn内置数据集模块，包含经典机器学习数据集
from sklearn.neighbors import KNeighborsClassifier

导入K近邻分类器实现
iris = datasets.load_iris()

加载鸢尾花数据集（包含150个样本，4个特征，3个类别）
x = iris.data

获取特征数据（4个特征：花萼长宽、花瓣长宽，形状为150x4的数组）
y = iris.target

获取类别标签（0/1/2分别代表三种鸢尾花，形状为150的一维数组）
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.3)

随机划分数据集：70%训练数据，30%测试数据
未设置random_state参数，每次划分结果可能不同
knn = KNeighborsClassifier()

创建KNN分类器实例（默认参数：n_neighbors=5，使用欧式距离）
knn.fit(x_train, y_train)

训练模型：存储训练数据并建立快速查询结构
print(knn.predict(x_test))

对测试集进行预测，输出预测类别（0/1/2）
print(y_test)

输出测试集的真实标签，用于与预测结果对比