Python 为什么我从头开始构建的KNN算法不起作用？

我尝试从头开始创建KNN算法。我的数据集是一个数据帧。算法总是返回1.0（预测总是与实际结果完全匹配），我担心出了什么问题，尽管我不知道是什么。非常感谢您在识别过程中提供的任何帮助

这是我的密码：

def get_neighbors(train,row,n):
      distances=list()
      for i in range(len(test)):
        dist=euclidean_distance(row,train.iloc[i])
        distances.append((row,dist))
      distances.sort(key=lambda tup: tup[1])
      neighbors=list()
      for i in range(n):
        neighbors.append(distances[i][0])
      return neighbors

def predict_classification(train,row,n):
  neighbors=get_neighbors(train,row, n)
  output_values=[row.iloc[-1]for row in neighbors]
  prediction=max(set(output_values),key=output_values.count)
  return prediction
import math

def euclidean_distance(row1,row2):
  distance = 0.0
  for i in range((row1.shape[0])):
    distance+=(row1[i] -row2[i]) ** 2
  return math.sqrt(distance)

def k_nearest_neighbors(train,test,n):
  predictions=list()
  for i in range(len(test)):
    output=predict_classification(train,test.iloc[i],n)
    predictions.append(output)
  return(predictions)


train=dataset.iloc[0:500]
test=dataset.iloc[500:600]
df=po.DataFrame()
df["Actual"]=test["Outcome"]
df["Predicted"]=k_nearest_neighbors(train,test,5)

---

我还没有彻底检查你的代码，但你有几个问题。其中包括：

您没有使用任何标签。从您的代码中，可以怀疑最后一列是标签，但您不应该使用它们来计算距离，例如在这里：

dist=euclidean_距离（row，train.iloc[i]）

您在此处附加相同的示例：

distance.append（（行，距离））

不是您想要的。追加训练集的行（虽然不是很有效）

因为这里没有任何标签，所以这很混乱：

output\u values=[row.iloc[-1]表示邻居中的行]

效率问题。你为什么要和熊猫一起工作？在实际工作中使用numpy，完成后将其传递给熊猫

您使用的函数太多，无法进行分类。只需迭代您的训练数据，计算距离。获取检测到的

n

邻居的索引（而非实际样本），并在投票后将其与您的基本事实进行比较。您不需要将实际样本保存在某个地方（就像您所做的那样）

---

你确定你的数据不应该返回100%的预测吗。有些问题很容易解决！