利用KNN算法预测鸢尾花

 刚入门学习机器学习，入门例子就是鸢尾花分类，利用skl自带的鸢尾花例子进行knn学习。

1.Knn算法。存在一个训练样本集合A，在给定测试样本b时，基于某种距离度量，找出训练集A中与测试样本b最靠近的k个训练样本（通常k≤20且为整数），基于这k个训练样本的信息来预测种类或值。k个样本标签中，哪个标签多就认为是哪个标签。

2.鸢尾花数据分类。关于train_test_split。

train_data：待划分样本数据

train_target：待划分样本数据的结果（标签）

test_size：测试数据占样本数据的比例，若整数则样本数量

random_state：设置随机数种子，保证每次都是同一个随机数。若为0或不填，则每次得到数据都不一样。

3.整体步骤

（1）读取鸢尾花数据（2）分割数据。（3）训练数据（4）利用模型计算结果。

#鸢尾花
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
import matplotlib.pyplot as plt
import numpy as np
#导入鸢尾花数据
iris = load_iris()
#打印观察数据
print(iris)
#利用skl的train_test_split对数据进行分割
x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.5,random_state=666)
##寻找最优K值
train1=[]
k1=[]
test1=[]
#循环不同K值对模型的影响
for k in range(1,30):
    k1.append(k)
#初始化KNN
    model = KNeighborsClassifier(n_neighbors= k)
#训练模型
    model.fit(x_train, y_train)
#训练得分
    train=model.score(x_train, y_train)
    train1.append(train)
#测试得分
    test=model.score(x_test, y_test)
    test1.append(test)
#测试得分
    print('train={};test={};k={}'.format(train,test,k))
#绘制K的取值，测试得分
plt.plot( k1, test1)
plt.show()

#如果需要预测值
y_predict = model.predict(x_test)
print(y_predict)