机器学习算法基础第三天（K近邻算法、朴素贝叶斯算法）

一.K近邻算法

1.1 举例：
输出结果：

最终结果表明，未知电影属于爱情片，因为他与爱情片的距离最近。

1.2 分类算法-k近邻算法(KNN)介绍
定义：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。

计算距离公式：两个样本的距离可以通过如下公式计算，又叫欧式距离
比如说，a(a1,a2,a3),b(b1,b2,b3)

1.3 sklearn k-近邻算法API
sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm=‘auto’)
· n_neighbors：int,可选（默认= 5），k_neighbors查询默认使用的邻居数
·algorithm：{‘auto’，‘ball_tree’，‘kd_tree’，‘brute’}，可选用于计算最近邻居的算法：‘ball_tree’将会使用 BallTree，‘kd_tree’将使用 KDTree。‘auto’将尝试根据传递给fit方法的值来决定最合适的算法。 (不同实现方式影响效率)

1.4 实例分析：
k近邻算法实例-预测入住位置


数据的处理
1、缩小数据集范围
DataFrame.query()
2、处理日期数据
pd.to_datetime
pd.DatetimeIndex
3、增加分割的日期数据
data[ ]
4、删除没用的日期数据
pd.drop
5、