Python机器学习实战：scikit-learn封装KNN算法详解
发布时间：2026-10-13| 6人浏览过
本文详细介绍如何在Python中利用scikit-learn库封装K近邻（KNN）算法。内容涵盖环境准备、核心代码实现及预测流程，重点解析无需显式训练过程但需拟合数据的特性，并提供完整的分类器封装与测试代码示例，帮助开发者快速掌握KNN在机器学习中的应用。
本文通过具体实例，深入解析Python机器学习领域中scikit-learn库内KNN（K近邻）算法的封装技巧与实际操作方法，旨在为读者提供具有参考价值的技术指南。
首先进行工具准备，确保开发环境已配置好Python运行环境，并推荐使用PyCharm作为集成开发工具。
在机器学习语境下，KNN算法具有特殊性：它无需传统的模型训练阶段。这意味着输入样例可直接调用predict方法获取预测结果，此时训练数据集本身即被视为模型。不过，必须将训练数据与对应的训练标签进行拟合操作，才能正式构建出可用的模型。
接下来，在PyCharm环境中创建一个新的项目工程，并在该项目目录下新建名为KNN.py的文件，用于存放核心算法代码。
import numpy as np
from math import sqrt
from collections import Counter
class KNNClassifier:
def __init__(self,k):
"""初始化KNN分类器"""
assert k >= 1
"""断言判断k的值是否合法"""
self.k = k
self._X_train = None
self._y_train = None
def fit(self,X_train,y_train):
"""根据训练数据集X_train和Y_train训练KNN分类器，形成模型"""
assert X_train.shape[0] == y_train.shape[0]
"""数据和标签的大小必须一样
assert self.k <= X_train.shape[0]
"""k的值不能超过数据的大小"""
self._X_train = X_train
self._y_train = y_train
return self
def predict(self,X_predict):
"""必须将训练数据集和标签拟合为模型才能进行预测的过程"""
assert self._X_train is not None and self._y_train is not None
"""训练数据和标签不可以是空的"""
assert X_predict.shape[1]== self._X_train.shape[1]
"""待预测数据和训练数据的列(特征个数)必须相同"""
y_predict = [self._predict(x) for x in X_predict]
return np.array(y_predict)
def _predict(self,x):
"""给定单个待测数据x,返回x的预测数据结果"""
assert x.shape[0] == self._X_train.shape[1]
"""x表示一行数据，即一个数组，那么它的特征数据个数，必须和训练数据相同
distances = [sqrt(np.sum((x_train - x)**2))for x_train in self._X_train]
nearest = np.argsort(distances)
topk_y = [self._y_train[i] for i in nearest[:self.k]]
votes = Counter(topk_y)
return votes.most_common(1)[0][0]
随后，新建test.py文件，并在其中引入之前定义的KNNClassifier对象，以便进行后续的测试与调用。
from KNN.py import KNNClassifier
raw_data_x = [[3.393,2.331],
[3.110,1.781],
[1.343,3.368],
[3.582,4.679],
[2.280,2.866],
[7.423,4.696],
[5.745,3.533],
[9.172,2.511],
[7.792,3.424],
[7.939,0.791]]
raw_data_y = [0,0,0,0,0,1,1,1,1,1]
X_train = np.array(raw_data_x)
y_train = np.array(raw_data_y)
x = np.array([9.880,3.555])
# 要将x这个矩阵转换成2维的矩阵，一行两列的矩阵
X_predict = x.reshape(1,-1)
"""1，创建一个对象，设置K的值为6"""
knn_clf = KNNClassifier(6)
"""2，将训练数据和训练标签融合"""
knn_clf.fit(X_train,y_train)
"""3，经过2才能跳到这里，传入待预测的数据"""
y_predict = knn_clf.predict(X_predict)
print(y_predict)
若读者对Python其他技巧感兴趣，可进一步查阅本站专题内容，包括《Python数学运算技巧总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》以及《Python入门与进阶经典教程》。
期望本文所述内容能对广大Python程序设计人员有所助益。
免责声明：本文内容仅供参考，不代表本站观点。转载或引用请注明出处。
