如何在R语言中使用KNN模型对新数据进行预测？

没问题，其实你只需要把新数据整理成和训练集完全一致的结构（列名、列顺序都要匹配），然后再次调用knn()函数就能得到预测结果了。具体步骤如下：

1. 构造符合要求的新数据框 #

你的训练集treino是去掉了Species列的iris数据，所以新数据必须包含相同的4个特征列，且顺序要和treino一致：

# 创建新数据，确保列名、列顺序和训练集treino完全匹配
novo_dado <- data.frame(
  Sepal.Length = 5.0,
  Sepal.Width = 3.3,
  Petal.Length = 1.3,
  Petal.Width = 0.1
)

2. 使用KNN模型进行预测 #

直接复用你之前训练时的train、cl和k参数，把test换成新数据即可：

library(class) # 确保已经加载class包

# 执行预测
predicao_novo <- knn(
  train = treino, 
  test = novo_dado, 
  cl = treino_especie, 
  k = 3, 
  prob = TRUE # 保留prob参数可以查看预测类别的概率
)

# 查看预测的物种类别
print(predicao_novo)

# 查看该预测对应的概率（即预测类别在k个邻居中的占比）
print(attr(predicao_novo, "prob"))

关键注意点 #

• 特征结构必须匹配：KNN是基于特征间的距离计算的，所以新数据的列名、列顺序、数据类型都要和训练集treino保持一致，否则会计算错误的距离，导致预测结果失效。
• 如果你后续对训练集做了标准化/归一化（KNN模型通常建议做这一步优化效果），那新数据也必须用相同的标准化规则处理后再预测。

内容的提问来源于stack exchange，提问作者dekio