- 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()
*
![在这里插入图片描述](https://img-blog.csdnimg.cn/20200321194427326.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyMTY5MDYx,size_16,color_FFFFFF,t_70)
- 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()
*
![在这里插入图片描述](https://img-blog.csdnimg.cn/20200321194817707.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyMTY5MDYx,size_16,color_FFFFFF,t_70)
- 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))
*
![在这里插入图片描述](https://img-blog.csdnimg.cn/20200321194858428.png)