基于sklearn K临近算法 最简单预测 花的种类

因为注释已经很详细了，所以直接上代码：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
#k临近算法
from sklearn.neighbors import KNeighborsClassifier
import numpy as np
import pandas as pd
def get数据():
    iris_dataset=load_iris()
    print("keys:
{}".format(iris_dataset.keys()))
    print("预测花的品种
:{}".format(iris_dataset['target_names']))
    '''['data', 'target', 'target_names', 'DESCR', 'feature_names', 'filename']'''

    '''机器学习中的个体叫作样本（sample），其属性叫作特征（feature）。data数组的形状（shape）是样本数乘以特征数。这是scikit-learn中的约定，你的数据形状应始终遵循这个约定'''

    ''':['setosa' 'versicolor' 'virginica']'''
    print(iris_dataset['target'])

if __name__ =='__main__':
    '''数据'''
    iris_dataset=load_iris()
    X_train,X_test,y_train,y_test=train_test_split(
        iris_dataset['data'],iris_dataset['target'],random_state=0)
    print("X_train shapr:",X_train.shape)


    #运用pandas将Numpy数组转成pandas DataFrame
    #iris_dataframe=pd.DataFrame(X_train,columns=iris_dataset.feature_names)
    #绘制散点图
    #grr=pd.scatter_matrix(iris_dataframe,c=y_train,figsize=(15,15),marker='o',hist_kwds={'bins':20},s=60,alpha=8,cmap=mglearn.cm3)

    '''K临近算法 ,其中只包括训练集 '''
    knn=KNeighborsClassifier(n_neighbors=1)
    '''构建模型'''
    knn.fit(X_train,y_train)
    '''做出预测  1,4'''
    X_new=np.array([[5,2.9,1,0.2]])
    prediction=knn.predict(X_new)
    print("预测结果：
{}".format(prediction))
    print("预测名字：
{}".format(iris_dataset['target_names'][prediction]))

    '''计算精度（评估模型 对比）'''
    y_pred=knn.predict(X_test)
    index=np.mean(y_pred==y_test)
    print("相似度：{:.2f}".format(index))
    '''knn对象计算'''
    indexa=knn.score(X_test,y_test)
    print(indexa)