机器学习算法-K近邻（KNN）算法（二）：二维数据，鸢尾花，模拟数据-算法实战（代码附详细注释）

二维鸢尾花数据-KNN分类

step 1：库函数导入

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.colors import ListedColormap
from sklearn.neighbors import KNeighborsClassifier
from sklearn import datasets

step 2：数据导入

#使用莺尾花数据集的前两维数据，便于数据可视化
iris = datasets.load_iris() #加载鸢尾花数据集
X = iris.data[:, :2] #取鸢尾花数据集前两列特征
y = iris.target #y为鸢尾花的类别信息

step 3：模型训练&可视化

k_list = [1, 3, 5, 8, 10, 15] # 因为要比较不同K值下模型的性能，所以选择了6个不同的k值。
h = .02，步长，用来设置x和y轴上两个数字之间的间距
# 创建不同颜色的画布
cmap_light = ListedColormap(['orange', 'cyan', 'cornflowerblue']) #画布上不同区域的颜色
cmap_bold = ListedColormap(['darkorange', 'c', 'darkblue']) #数据集点的颜色

plt.figure(figsize=(15,14)) #画图的尺寸
# 根据不同的k值进行可视化
for ind,k in enumerate(k