KNN算法实例

对于已经存在分类的数据，用KNN算法预测新数据的分类

#coding=utf-8
#导入相应的模块包
from sklearn.datasets import make_blobs
from sklearn.neighbors import KNeighborsClassifier
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
import numpy as np

#创建训练样本，n_samples样本数，数据类别centers
data = make_blobs(n_samples=500,centers=5,random_state=8)
X,y = data

#训练模型
clf = KNeighborsClassifier()
clf.fit(X,y)

#绘制网格图，将所有数据点包含在内（-1和+1是为了给画布中的四周留部分空白）
x_min,x_max = X[:,0].min()-1,X[:,0].max()+1
y_min,y_max = X[:,1].min()-1,X[:,1].max()+1

#生成网格点坐标矩阵
xx,yy = np.meshgrid(np.arange(x_min,x_max,.02),np.arange(y_min,y_max,.02))

#预测网格点的分类值
Z = clf.predict(np.c_[xx.ravel(),yy.ravel()])  #np.c_按行连接两个矩阵，np.r按列连接两个矩阵，ravel()展平数组
Z = Z.reshape(xx.shape)

#画出网格点的颜色
plt.pcolormesh(xx,yy,Z,cmap=plt.cm.Pastel1)#plt.colormesh的作用在于能够直观表现出分类边界

#画出原数据点并标记颜色
plt.scatter(X[:,0],X[:,1],c=y,cmap=plt.cm.spring,edgecolors='k')

#画出边界线（x轴与y轴的的上下边界）
plt.xlim(xx.min(),xx.max())
plt.ylim(yy.min(),yy.max())

###处理新数据点
#把新的数据点用五角星表示出来
plt.scatter(6.75,5.82,marker='*',c='red',s=200)
#对数据点分类进行判断
print('新数据点的分类是：',clf.predict([[6.75,5.82]]))

#模型正确率
print('模型正确率：{:.2f}'.format(clf.score(X,y)))

#将画过的内容展示出来
plt.show()