KNN 分类简介

什么是 KNN？

K-近邻算法（K-Nearest Neighbors, KNN）是一种基本的分类与回归方法。在分类任务中，其核心思想是：如果一个样本在特征空间中的 K 个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。

算法原理

1. 计算距离：计算测试对象与训练集中所有对象之间的距离（通常使用欧氏距离）。
2. 寻找邻居：找出距离最近的 K 个训练样本。
3. 多数投票：统计这 K 个样本中各个类别出现的频率。
4. 确定类别：将出现频率最高的类别作为测试对象的预测类别。

本代码说明

提供的 main.R 脚本使用了 R 语言内置的 iris（鸢尾花）数据集。程序自动将数据按 7:3 比例划分为训练集和测试集，设定 K 值为 5，利用 class 包中的 knn 函数进行建模，并输出混淆矩阵及分类准确率，用于评估模型性能。

结果展示说明

本部分描述运行 main.R 脚本后的控制台文本输出情况。

1. 输入操作

用户在 R 环境或终端中执行以下命令：

source("main.R")

2. 预期输出内容

程序运行结束后，控制台将依次打印以下文本信息：

A. 混淆矩阵部分

首先输出标题 "混淆矩阵:"，紧接着是一个二维表格。表格的行代表预测类别（Setosa, Versicolor, Virginica），列代表实际类别。由于 KNN 在 iris 数据集上表现通常较好，对角线上的数值（预测正确的数量）会显著高于非对角线数值。

• 示例格式：*

          Actual
Predicted  setosa versicolor virginica
  setosa       10          0         0
  versicolor    0         14         1
  virginica     0          1        19

B. 准确率统计部分

随后输出一行字符串，显示计算出的分类准确率。

• 示例输出：*

[1] "KNN 分类准确率 (k=5): 0.9556"

• (注：具体数值因随机划分数据集可能略有波动，但通常在 95% 左右)*

C. 单样本预测演示

最后输出针对测试集中第一个样本的详细预测过程展示。

• 示例输出：*

[1] "输入样本特征：5.0, 3.3, 1.4, 0.2"
[1] "预测结果类别：setosa"

这表明程序读取了特定的花萼和花瓣尺寸数据，并根据 KNN 算法判断该花朵属于“山鸢尾 (setosa)”类别。