短小精悍算例：用Python实现人工编写knn算法，进行鸢尾花分类预测（不用knn模块）

用Python手写knn算法进行鸢尾花分类预测（不用knn模块）。
knn算法全称是K-Nearest Neighbor

#########################★ KNN 算法在iris数据集的实现 ★##########################
import numpy as np
from sklearn.datasets import load_iris
from sklearn.utils import shuffle
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

################★ 读入鸢尾花数据集 ★################
iris = load_iris()
print("查看dict_keys：\n",iris.keys())
print("查看特征名字：",iris.feature_names)
X = iris.data
y = iris.target
print("标签种类:", set(y))

ns = X.shape[0]    # 样本的数量ns
nf = X.shape[1]    # 特征的数量nf
nc = len(set(y))   # 类别的数量nc
print("样本的数量：{}，特征的数量：{}， 类别的数量：{}。".format(ns, nf, nc))
nk = 15    ## 人为指定最近邻的个数 (Knn中的n_neighbors)

################★ 切分训练集和测试集 ★################
X, y = shuffle(X, y, random_state=78)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.6, random_state=28)
num_train = X_train.shape[0]    # 训练集个数
num_test  = X_test.shape[0]     # 测试集个数

################★ 求测试集中每个点的最近邻 ★################
y_pred=np.zeros([num_test])

for i in range(num_test):
    xt = X_test[i] - X_train
    dt = np.linalg.norm(xt, ord=2, axis=1, keepdims=True)
    D = dt.ravel()    # D是某一个测试样本和所有训练样本的距离数组

    sorted_index = np.argsort(D)
    yst = y_train[sorted_index]
    yt = yst[0:nk]

    cc = [np.sum(yt==j) for j in range(nc)]
    z = np.argmax(cc, axis=0)
    y_pred[i] = z

################★ 预测精度 ★################
acc = np.sum(y_pred==y_test)/len(y_test)
print("预测精度:", acc)

运行结果：