使用KNeighborsClassifier训练make_blobs数据集并将其分类

• 1.从make_blobs中抽取出500个数据并使用散点图进行观察。

import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs

data = make_blobs(n_samples=500, centers=5, random_state=8)
X, y = data
plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.spring, edgecolors='k')
plt.show()

*

• 2.使用KNeighborsClassifier训练数据集。

from sklearn.neighbors import KNeighborsClassifier
import numpy as np

clf = KNeighborsClassifier()
clf.fit(X, y)

• 3.使用np生成数据集并使用刚才训练出来的模型进行预测，并把预测结果绘制成散点图。

x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1

# np.meshgrid(）将一维生成二维
xx, yy = np.meshgrid(np.arange(x_min, x_max, .02),
                     np.arange(y_min, y_max, .02))

# np.c_[]将数据合并合成两列   ravel（）将数据降为一维
z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
z = z.reshape(xx.shape)

# cmap设置样式  pcolormesh绘制分类图
plt.pcolormesh(xx, yy, z, cmap=plt.cm.Spectral)
plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.spring, edgecolors='k')

plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.show()

*

• 3.使用模型对[6.75, 4.82]数值进行预测。

print(clf.predict([[6.75, 4.82]]))
print(clf.score(X, y))

*