第一个机器学习，KNN简单应用

算法描述：

 机器学习界的一个普通算法。

 从训练集中找到和新数据最接近的k条记录，然后根据多数类来决定新数据类别。
 算法涉及3个主要因素：
1) 训练数据集
2) 距离或相似度的计算衡量
3) k的大小
 


 算法描述
1) 已知两类“先验”数据，分别是蓝方块和红三角，他们分布在一个二维空间中
2) 有一个未知类别的数据（绿点），需要判断它是属于“蓝方块”还是“红三角”类
3) 考察离绿点最近的3个（或k个）数据点的类别，占多数的类别即为绿点判定类别

概述：看离谁近，或长得像。

示例说明：

 三国游戏数据，根据已有武将四围数据及类型，判断新武将的类型。

原始数据如下图：

代码如下：

from sklearn import neighbors
from sklearn import datasets
import numpy
import mysqlHelper


dataArray = [] #四维数据集
typeArray = [] #类型数据集
labalNames = ['全能','都督','猛将','军师','丞相','废物'] #类型名称
db = mysqlHelper.DBHelp() #引用mysql操作类
list = db.getList('select HeroId,`Name`,TongShuai,WuLi,ZhiLi,ZhengZhi,HeroType from hero limit 0,700')  #获取原始数据列表
for item in list:
    arr = []
    arr.append(item[2])   #依次添加数值到新数组
    arr.append(item[3])
    arr.append(item[4])
    arr.append(item[5])
    dataArray.append(arr)
    typeArray.append(item[6])
print(dataArray)  #显示四维数据集
print(typeArray)  #显示类型数据集

knn = neighbors.KNeighborsClassifier()  #引用KNN应用类
dataArray = numpy.array(dataArray) #转换python数组为numpy数组
typeArray = numpy.array(typeArray)
model = knn.fit(dataArray,typeArray)  #训练机器人

#添加测试数据
testArrays = [[90,60,60,60],[60,90,60,60],[60,60,90,60],[60,60,60,90],[20,20,20,20],[90,90,90,90],[80,80,100,80]]
lables = knn.predict(testArrays)  #测试并返回结果
for x in range(len(lables)):
    #打印结果
    print(repr(x + 1) + '号人物' + "能力值：" + repr(testArrays[x]) + ' 种类：' + labalNames[lables[x]])

结果如下：