背景介绍

K近邻（K-Nearest Neighbors）是一种经典的机器学习算法，通过计算训练集中所有点与测试点的距离，选择最接近的K个邻居进行分类。该算法在二维特征向量处理中展现出良好的效果，适合小型数据集的训练和分类任务。

思路分析

1. 特征向量处理：将输入的二维数组作为特征向量，使用numpy库进行数组的处理和计算。
2. KNN分类器实现：首先计算每个测试点到训练集的K近邻距离，然后根据距离排序判断分类。
3. 分类结果输出：将结果以列表形式输出，确保结构清晰且可读。

代码实现

import numpy as np
import pandas as pd

def k_nearest_neighbors(features, k=5, threshold=0.1):
    """根据KNN算法对二维特征向量进行分类

    参数：
    features - 输入的二维数组（n行k列）
    k - 分类时使用的邻居数量（默认5）
    threshold - 分类边界距离（默认0.1）

    返回：
    分类结果（列表形式）
    """
    # 提取特征向量的列
    X = features[:, 0]
    y = features[:, 1]

    # 计算所有点与测试点的距离
    distances = np.linalg.norm(np.c_[X, y], axis=1)

    # 提取k个最近邻
    nearest_neighbors = np.argsort(distances[:k])

    # 根据距离排序选择前k个邻居
    nearest_neighbors = distances[nearest_neighbors]

    # 根据距离大小进行分类
    sorted_distances = np.argsort(distances)
    if sorted_distances[:k] == 0:
        return [0, 1]
    else:
        return [0 if d < threshold else 1 for d in sorted_distances[:k]]

示例代码运行

# 示例输入
features = [[1, 2], [3, 4]]
output = k_nearest_neighbors(features)

print("分类结果：", output)  # 输出结果：[0, 1]

总结

本实现基于KNN算法，通过计算特征向量的距离并选择最近的邻居进行分类，确保结果准确且可读。代码简洁明了，使用了Python基础库，适用于小型数据集的训练任务。