python-KNN分类（1）：调用KNeighborsClassifier()实现

KNeighborsClassifier()： 

'''
 KNeighborsClassifier(n_neighbors=5, weights='uniform', 
                      algorithm='auto', leaf_size=30, 
                      p=2, metric='minkowski', 
                      metric_params=None, n_jobs=1, **kwargs)
 n_neighbors: 默认值为5，表示查询k个最近邻的数目
 algorithm:   {‘auto’, ‘ball_tree’, ‘kd_tree’, ‘brute’},指定用于计算最近邻的算法，auto表示试图采用最适合的算法计算最近邻
 leaf_size:   传递给‘ball_tree’或‘kd_tree’的叶子大小
 metric:      用于树的距离度量。默认'minkowski与P = 2（即欧氏度量）
 n_jobs:      并行工作的数量，如果设为-1，则作业的数量被设置为CPU内核的数量
 查看官方api：http://scikit-learn.org/dev/modules/generated/sklearn.neighbors.KNeighborsClassifier.html#sklearn.neighbors.KNeighborsClassifier
'''

示例：

# -*- coding: utf-8 -*-
"""
Created on Fri Feb 15 18:01:45 2019

@author: Administrator
"""

import numpy as np
from sklearn import neighbors
import warnings

warnings.filterwarnings('ignore')  # warning信息不打印，可有可无

knn = neighbors.KNeighborsClassifier()  # 取得knn分类器

data = np.array([[1, 1, 1, 1],
              [0.5, 1, 1, 1],
              [0.1, 0.1, 0.1, 0.1],
              [0.5, 0.5, 0.5, 0.5],
              [1, 0.8, 0.3, 1],
              [0.6, 0.5, 0.7, 0.5],
              [1, 1, 0.9, 0.5],
              [1, 0.6, 0.5, 0.8],
              [0.5, 0.5, 1, 1],
              [0.9, 1, 1, 1],
              [0.6, 0.6, 1, 0.1],
              [1, 0.8, 0.5, 0.5],
              [1, 0.1, 0.1, 1],
              [1, 1, 0.7, 0.3],
              [0.2, 0.3, 0.4, 0.5],
              [0.5, 1, 0.6, 0.6]
              ])

labels = np.array(['美女',
          '淑女',
          '丑女',
          '一般型',
          '淑女',
          '一般型',
          '美女',
          '一般型',
          '淑女',
          '美女',
          '丑女',
          '可爱型',
          '可爱型',
          '淑女',
          '丑女',
          '可爱型'
          ])

knn.fit(data, labels)  # 导入数据进行训练

print('预测类型为:', knn.predict([[0.8, 1, 1, 1]]))

结果：