来源：原始 Jupyter Notebook。内容已转换为网页阅读格式；下载原文件。
这一节我们使用 sklearn 自带的鸢尾花数据集来实现 kNN 算法，和前面一样，我们只取数据集中的两个维度：
import matplotlib.pyplot as plt
from sklearn import datasets
iris = datasets.load_iris();
X = iris.data
y = iris.target
X = X[y < 2, :2]
y = y[y < 2]
plt.scatter(X[y == 0, 0], X[y == 0, 1], color='red')
plt.scatter(X[y == 1, 0], X[y == 1, 1], color='blue')
plt.show()
运行结果
使用 sklearn 的 kNN 算法和 sklearn 的其他算法流程是一样的：首先定义分类器（在这里分类器为 KNeighborsClassifier），然后通过 fit 训练数据得到模型，最后通过 predict 对新的样本进行预测。
from sklearn.neighbors import KNeighborsClassifier
kNN = KNeighborsClassifier(n_neighbors=6)
kNN.fit(X, y)
results = kNN.predict([[6,2], [4, 3]])
print(results)
运行结果
[1 0]
上面对 (6,2) 和 (4,3) 两个样本进行预测，可以看到预测结果是正确的。
其他实例
在 Peter Harrington 的《机器学习实战》的第二章，还介绍了很多使用 kNN 解决现实问题的例子，譬如：
- 电影分类：根据电影中出现的打斗镜头数和接吻镜头数判断电影的类别
- 海伦约会：根据对方每年的飞行里程公里数、每周玩游戏所花费的小时数、每周吃掉的零食的斤数来判断对方是不是自己喜欢的类型
- 手写数字识别
可以参考这里：https://cuijiahua.com/blog/2017/11/ml_1_knn.html
归一化
在 kNN 算法中，还有一点需要特别注意，由于大多数时候我们都是使用欧式距离来作为距离度量方法，而欧氏距离公式会极大地受到数值大小的影响，比如上面海伦约会的例子中，两个人的飞行里程可能很容易就相差2000，但吃掉的零食斤数最多可能也就差10，这样算出来的距离就几乎只受飞行里程影响，而对于海伦来说，3个特征是同等重要的。为了解决这个问题，我们需要对这三个特征的特征值进行 归一化 （Normalization）处理，使得它们的取值范围都落在0到1之间。