共计 821 个字符，预计需要花费 3 分钟才能阅读完成。
在 Python 中，可以使用 sklearn 库中的 KNeighborsClassifier 类来实现 k - 最近邻算法（K-Nearest Neighbors，KNN）。下面是一个简单的示例：
from sklearn.neighbors import KNeighborsClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
# 加载鸢尾花数据集
iris = load_iris()
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=42)
# 创建 KNN 分类器，设置 k 值为 3
knn = KNeighborsClassifier(n_neighbors=3)
# 使用训练集训练 KNN 分类器
knn.fit(X_train, y_train)
# 使用训练好的 KNN 分类器进行预测
y_pred = knn.predict(X_test)
# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(" 准确率:", accuracy)
在上述示例中，首先加载了鸢尾花数据集，然后使用 train_test_split 函数将数据集划分为训练集和测试集。接着，创建一个 KNeighborsClassifier 对象并设置 k 值为 3，在训练集上训练 KNN 分类器。最后，使用训练好的分类器进行预测，并计算准确率。
这只是一个简单的示例，实际应用中可能还需要对数据进行预处理、调参等操作。另外，也可以根据具体需求使用不同的距离度量方式、权重方式等来调整 KNN 算法的表现。
丸趣 TV 网 – 提供最优质的资源集合！
正文完
