监督式机器学习（三）之knn模型加载、训练、预测

       前面已经介绍了iris数据集的加载和预处理，接下来继续学习使用scikit-learn建模。

       分类问题：根据数据集目标特性或属性，将待预测值划分到已有类别中。

       常用分类算法：k近邻；逻辑回归；决策树；朴素贝叶斯等

建模四步骤分类：

• 调用需要使用的模型类

• 模型初始化

• 模型训练

• 模型预测

方法：

#模型调用：from sklearn.neighbors import KNeighborsClassifier

#创建实例：knn_i=KNeighborsClassifier(n_neighbors=i)   //这里的knn_i意思是i表示k近邻的范围值

#模型训练:  test=[[1,2,3,4],[3,4,2,5],[2,5,6,1]]      //根据具体情况不同输入待测值,举例进行三组预测

                      knn_i.fit(X,Y)         //上一节中利用iris数据集进行赋值。其中令X = iris.data;Y=iris.target

#模型预测: knn_i.predict(test)  //利用i近邻进行预测

测试如下：