基于最近邻数据进行分类

完整代码：

python 复制代码

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：

python 复制代码

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]