KNN鸢尾花分类

可以发现黄色和绿色分的不太开，可以更换切片方式

使用后两个明显分得更开，实验效果应该会更好，但因为官网使用前两个，所以我们仍旧使用前两个


还有另一种处理测试数据的方法（ravel）

关于这个函数，还有个更直观的例子



用的是c = y_由系统自动根据y_来调配颜色，其实也可以指定颜色

可以根据自己喜好更改颜色

除了使用scatter来画图。还可以使用countourf来画图
跟上面相比，它耗费的时间会相对短一点儿（画轮廓面跟散点图比起来，当然是轮廓面更快一点）

全部代码：

import numpy as np

import matplotlib,pylab as pyb
%matplotlib inline

from sklearn.neighbors import KNeighborsClassifier

from sklearn import datasets

###加载数据，数据降维（画图）

X,y = datasets.load_iris(True)
#4个属性 4维空间，4维的数据
#150代表样本的数量
X.shape

#降维，切片：简单粗暴的方式（信息量变少了）
X = X[:,:2]
X.shape
#训练数据shape
#测试数据也应是这个形状（？，2）

pyb.scatter(X[:,0],X[:,1],c = y)
#c表示更改颜色，等于y是指根据不同y值分配颜色

###KNN算法训练数据

knn = KNeighborsClassifier(n_neighbors=5)

#使用150个样本点作为训练数据
knn.fit(X,y)

###meshgrid提取测试数据（8000个测试样本）

#获取测试数据
#横坐标4--8；纵坐标2--4.5
#背景点，取出来，meshgrid
x1 = np.linspace(4,8,100)

y1 = np.linspace(2,4.5,80)

X1,Y1 = np.meshgrid(x1,y1)
display(X1.shape,Y1.shape)

#处理测试数据，使其shape类似于训练数据
# X1 = X1.reshape(-1,1)
# Y1 = Y1.reshape(-1,1)

# X_test = np.concatenate([X1,Y1],axis = 1)
# X_test.shape

#平铺，一维化，reshape
X_test = np.c_[X1.ravel(),Y1.ravel()]

X_test.shape

###使用训练数据进行预测

%%time
#查看执行时间，一个%只控制一行，因为下面进行了换行，所以用两个%%
y_ = knn.predict(X_test)
#或者可以这样写
#%time  y_ = knn.predict(X_test)
#注意%time一般放在第一行，放在第二行可能报错

from matplotlib.colors import ListedColormap

lc = ListedColormap(['#FFAAAA','#AAFFAA','#AAAAFF'])

lc2 = ListedColormap(['#FF0000','#00FF00','#0000FF'])

pyb.scatter(X_test[:,0],X_test[:,1],c = y_,cmap = lc)

pyb.scatter(X[:,0],X[:,1],c = y,cmap = lc2)

pyb.contourf(X1,Y1,y_.reshape(80,100),cmap = lc)

pyb.scatter(X[:,0],X[:,1],c = y,cmap = lc2)