python_sklearn机器学习算法系列之k-NearestNeighbor(K最近邻分类算法)

       本文主要目的是通过一段及其简单的小程序来快速学习python 中sklearn的KNeighborsClassifier这一函数的基本操作和使用，注意不是用python纯粹从头到尾自己构建KNN，既然sklearn提供了现成的我们直接拿来用就可以了，当然其原理十分重要，其主要思想是，如果一个样本在特征空间中的k个最近邻的样本中的大多数都属于某一类别，则该样本也属于这个类别，k通常是不大于20的整数，关于详细的介绍可以参考：https://blog.csdn.net/itzym/article/details/70233075

       本次用到的源数据是datasets.load_iris()，iris数据集是一个字典，可以看成150行5列的二维表。150个样本，每个样本包含了花萼长度、花萼宽度、花瓣长度、花瓣宽度四个特征（前4列）iris的每个样本都包含了品种信息，即目标属性（第5列，也叫target或label），其中有5个key键，data记录每个样本四个特征数值，target记录品种数(用0,1,2表示),target_names是具体品种名称，feature_names是具体的特征名称。

KNeighborsClassifier的使用非常简单，主要分为两步：

一：使用 fit(x_train,y_train)对训练集x, y进行训练。

二：使用predict(x_test) 训练得到的估计器对输入为x_test的集合进行预测（x_test可以是测试集，也可以是需要预测的数 据）。

代码如下：

from sklearn import datasets
from sklearn.neighbors  import KNeighborsClassifier

iris=datasets.load_iris()

'''
#这里是测试iris数据集的代码
print(iris.keys())
print(iris.data)
print(iris.target)
print(iris.data.shape)
print(iris.feature_names)
print(iris.target_names)


'''
#核心代码
knn=KNeighborsClassifier(n_neighbors=6)
knn.fit(iris['data'],iris['target'])                      #用训练集进行训练模型

x=[[4.8,2.5,3.4,1.6],[6.3,3.1,3.2,1.8]]
print(x)

#核心代码
prediction=knn.predict(x)

print(prediction)

测试iris数据集的结果如下：

预测结果：

更多算法可以参看博主其他文章，或者github：https://github.com/Mryangkaitong/python-Machine-learning