Первая лаба

from sklearn.datasets import load_iris
import numpy as np
import random
import matplotlib.pyplot as plt
from math import sqrt

# константы
IRIS = load_iris()
FEATURES_COUNT = IRIS.data.shape[1]
DATA_SIZE = IRIS.data.shape[0]
CLASS_COUNT = IRIS.target_names.shape[0]

def Distance(p1, p2):
    s = 0
    for i in range(FEATURES_COUNT):
        s += (p2[i] - p1[i]) ** 2
    return sqrt(s)

# x - искомая точка, p - вторая точка, mx - k+1-я точка по расстоянию
def Kernel(x, p, mx):
    r = Distance(x, p)
    r2 = Distance(x, mx)
    z = r / r2
    if z >= 1:
        return 0
    else:
        core = 3/4*(1 - z**2)
        return core

# xD - фичи, yD - метки классов, x1 - неизвестный цветок класс которого нужно угадать, k - кол-во соседей
def Predict(x1, xD, yD, k):
    L = list()
    for i in range(DATA_SIZE - 1):
        L.append(i)
    L.sort(key = lambda i: Distance(xD[i], x1)) # сортируем по расстоянию индексы


    K = np.zeros(CLASS_COUNT)
    for i in range(k):

        K[int(yD[L[i]])] += Kernel(x1, xD[L[i]], xD[L[k]])

    mx_K = max(K)
    for i in range(CLASS_COUNT):
        if K[i] == mx_K:
            return i

# Нахождение количества ошибок на 150 тестах
def LOO(k,X,Y):
    cnt = 0
    for i in range(DATA_SIZE-1):
        x1 = X[i]
        y1 = Y[i]
        xD = np.delete(X, i, axis = 0)
        yD = np.delete(Y, i, axis = 0)
        if Predict(x1, xD, yD, k) != y1:
            cnt += 1
    return cnt

K = 40
X = IRIS.data
Y = IRIS.target
a, b = np.zeros(K), np.zeros(K)
for k in range(1, K + 1):
    a[k - 1] = k
    b[k - 1] = LOO(k,X,Y)
plt.xlabel("Кол-во соседей")
plt.ylabel("Кол-во ошибок на 150 тестах")
plt.plot(a, b)
best = min(b)
print("Наилучшие K:")
for i in range(K):
    if b[i] == best:
        print(a[i])