k-最近邻算法中分类和回归的区别是什么？

k-最近邻算法（k-Nearest Neighbors，简称KNN）在分类和回归任务中有着不同的应用方式。下面分别介绍分类和回归任务中KNN算法的区别，并附上代码示例。

1. 分类任务： 在分类任务中，KNN算法用于对未知样本进行分类。算法的基本思想是：对于一个未知样本，找出与其距离最近的k个已知样本，然后根据这k个样本的类别进行投票，将未知样本归为票数最多的类别。

代码示例：

from sklearn.neighbors import KNeighborsClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# 加载鸢尾花数据集
iris = load_iris()
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=42)

# 创建KNN分类器对象，并训练模型
knn = KNeighborsClassifier(n_neighbors=3)
knn.fit(X_train, y_train)

# 对测试集样本进行预测
y_pred = knn.predict(X_test)
print(y_pred)

2. 回归任务： 在回归任务中，KNN算法用于对未知样本的目标变量进行预测。算法的基本思想是：对于一个未知样本，找出与其距离最近的k个已知样本，然后根据这k个样本的目标变量值进行平均或加权平均，得到未知样本的预测值。

代码示例：

from sklearn.neighbors import KNeighborsRegressor
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split

# 加载波士顿房价数据集
boston = load_boston()
X_train, X_test, y_train, y_test = train_test_split(boston.data, boston.target, test_size=0.2, random_state=42)

# 创建KNN回归器对象，并训练模型
knn = KNeighborsRegressor(n_neighbors=3)
knn.fit(X_train, y_train)

# 对测试集样本进行预测
y_pred = knn.predict(X_test)
print(y_pred)

总结： KNN算法在分类任务和回归任务中的应用方式有所不同。分类任务中使用KNN算法进行类别预测，通过投票的方式确定未知样本的类别；而回归任务中使用KNN算法进行目标变量的预测，通过平均或加权平均的方式确定未知样本的目标变量值。