طبقه‌بند KNN از صفر

تابع knn_predict(X_train, y_train, X_test, k) را بدون scikit-learn بنویسید. برای هر سطر X_test:

1. فاصله‌ی اقلیدسی آن را با همه‌ی سطرهای X_train حساب کنید،
2. k نزدیک‌ترین نمونه‌ی آموزش را پیدا کنید،
3. و پرتکرارترین برچسب میان آن‌ها را پیش‌بینی کنید.

دو قاعده برای حالت‌های تساوی، تا جواب یکتا باشد:

• اگر چند نمونه‌ی آموزش فاصله‌ی برابر داشتند، آن که در X_train زودتر آمده جلوتر است. np.argsort(..., kind="stable") همین کار را می‌کند.
• اگر چند برچسب به یک اندازه تکرار شدند، کوچک‌ترین برچسب را انتخاب کنید.

X_train و X_test آرایه‌های دوبعدی‌اند، y_train آرایه‌ای از برچسب‌های صحیح و k یک عدد صحیح. خروجی، آرایه‌ای از برچسب‌های پیش‌بینی‌شده است، یکی برای هر سطر X_test.

X_train = np.array([[0, 0], [1, 0], [5, 5], [6, 5]])
y_train = np.array([0, 0, 1, 1])
knn_predict(X_train, y_train, np.array([[0.4, 0.2], [5.2, 4.9]]), 1)   # → [0, 1]