机器学习（二）：数据分类I

机器学习（二）：数据分类I

任务如下

1.Sklearn中的make_circles方法生成训练样本，并随机生成测试样本，用KNN分类并可视化。

(1) make_circles与make_moons方法（可参考机器学习（一）：低纬数据可视化）
(2) KNN算法
def KNeighborsClassifier(n_neighbors = 5,weights=‘uniform’,algorithm = ‘’,
leaf_size = ‘30’,p = 2,metric = ‘minkowski’,
metric_params = None, n_jobs = None)
其中：
n_neighbors：这个值就是指 KNN 中的 “K”了。前面说到过，通过调整 K 值，算法会有不同的效果。
weights（权重）：最普遍的 KNN 算法无论距离如何，权重都一样，但有时候我们想搞点特殊化，比如距离更近的点让它更加重要。这时候就需要 weight 这个参数了，这个参数有三个可选参数的值，决定了如何分配权重。参数选项如下：

• ‘uniform’：不管远近权重都一样，就是最普通的 KNN 算法的形式。
• ‘distance’：权重和距离成反比，距离预测目标越近具有越高的权重。
• 自定义函数：自定义一个函数，根据输入的坐标值返回对应的权重，达到自定义权重的目的。

完整代码

from sklearn.datasets import make_circles
import matplotlib.pyplot as plt
import numpy as np
import random

def KNN(inX,x,y,k):
    d = x - inX
    dist = (d**2).sum(axis=1)**0.5 # 计算欧几里得距离
    distance = dist.argsort() # 小到大排序
    result = np.argmax(np<