### K近邻算法在Jupyter Notebook中实现葡萄酒分类 K近邻（K-Nearest Neighbors, KNN）是一种简单而有效的监督学习算法，常用于分类和回归任务。通过计算样本之间的距离度量，KNN可以根据最近邻居的类别标签预测新样本的类别。 以下是基于Scikit-learn库的一个完整的KNN葡萄酒分类示例代码： ```python # 导入必要的库 import numpy as np import pandas as pd from sklearn.datasets import load_wine from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.neighbors import KNeighborsClassifier from sklearn.metrics import classification_report, confusion_matrix, accuracy_score # 加载葡萄酒数据集 wine_data = load_wine() X = wine_data.data # 特征矩阵 y = wine_data.target # 类别标签 # 将数据分为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) # 数据标准化处理 scaler = StandardScaler() X_train = scaler.fit_transform(X_train) X_test = scaler.transform(X_test) # 定义并训练KNN模型 knn_classifier = KNeighborsClassifier(n_neighbors=5) # 设置K值为5 knn_classifier.fit(X_train, y_train) # 预测测试集结果 y_pred = knn_classifier.predict(X_test) # 输出评估指标 print("混淆矩阵:\n", confusion_matrix(y_test, y_pred)) print("\n分类报告:\n", classification_report(y_test, y_pred)) print(f"\n准确率: {accuracy_score(y_test, y_pred):.2f}") ``` 此代码实现了以下功能： 1. 使用`load_wine()`函数加载内置的葡萄酒数据集[^1]。 2. 对特征进行标准化预处理以提高模型性能。 3. 利用`train_test_split`划分训练集和测试集。 4. 构建KNN分类器，并设置超参数`n_neighbors=5`表示考虑五个最近邻点。 5. 计算并展示模型的表现，包括混淆矩阵、分类报告及总体准确率。 值得注意的是，为了获得最佳效果，可能需要调整K值或其他参数，这可以通过交叉验证等技术完成。 #### 关于机器学习实践中的挑战 初学者可能会觉得理解复杂的数学理论困难重重，尤其是在缺乏具体实例的情况下[^2]。因此，像这样的实际编码练习有助于加深对KNN工作原理的理解。