前言
本篇我会使用scikit-learn这个开源机器学习库来对iris数据集进行分类练习。
我将分别使用两种不同的scikit-learn内置算法——Decision Tree（决策树）和kNN（邻近算法），随后我也会尝试自己实现kNN算法。目前为止，我还是在机器学习的入门阶段，文章中暂不详细解释算法原理，如果想了解细节信息可自行搜索。
代码分解
读取数据集
scikit-learn中预制了很多经典数据集，非常方便我们自己练习用。使用方式也很容易：
# 引入datasets
from sklearn import datasets
# 获取所需数据集
iris = datasets.load_iris()
load_iris返回的结果有如下属性：
- feature_names - 分别为：
sepal length (cm)，sepal width (cm)，petal length (cm)和petal width (cm) - data - 每行的数据，一共四列，每一列映射为
feature_names中对应的值 - target - 每行数据对应的分类结果值（也就是每行数据的
label值），其值为[0,1,2] - target_names - target的值对应的名称，其值为['setosa' 'versicolor' 'virginica']
分离数据
监督学习可以用一个简单的数学公式来代表：
y = f(X)
按上一篇中的相关术语描述就是已知X（features），通过方法f（classifier）求y（label）。
按照这个思路，我将iris数据分离为：
# X = features
X = iris.data
# y = label
y = iris.target
那如何来使用数据呢？因为只有150行数据，所以为了验证算法的正确性，需要将数据分成两部分：训练数据和测试数据，很幸运的是scikit-learn也提供了方便分离数据的方法train_test_split，我将数据分离成60%（即90条数据）用于训练，40%（即60条数据）用于测试，代码如下:
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.6)
内置算法——Decision Tree（决策树）
上一篇中已经用过决策树，使用决策树的代码简单如下：
# Decision tree classifier
# 生成决策树
my_classification = tree.DecisionTreeClassifier()
# 训练
my_classification.fit(X_train, y_train)
# 预测
predictions = my_classification.predict(X_test)
通过决策树算法，最终得到的模型的准确率有多少呢？这个时候可以使用scikit-learn的accuracy_score方法：
# 获得预测准确率
print(accuracy_score(y_test, predictions))
由于train_test_split是随机切分数据，因此最终跑出来的准确率不是一个固定值
内置算法——kNN（邻近算法）
kNN算法就是选取k个最近邻居来归类样本值的方法，这是最简单的一种分类算法，当然缺点也很明显，必须循环计算测试样本值和所有的样本之间的距离，运行效率比较低。
在选用kNN算法的时候，k值最好是奇数，偶数值会造成无法归到唯一类的情况（属于不同分类的概率正好相等）。
只需在上述分离数据之后，将决策树算法的代码替换为：
# N neighbors classifier
# 生成kNN
my_classification2 = KNeighborsClassifier(n_neighbors=5)
# 训练
my_classification2.fit(X_train, y_train)
# 预测
predictions2 = my_classification2.predict(X_test)
# 获得预测准确率
print(accuracy_score(y_test, predictions2))
由于train_test_split是随机切分数据，因此最终跑出来的准确率不是一个固定值。而且由于算法不同，即便是相同的数据，跑出来的准确率也和决策树跑出来的不同。
自己实现kNN
基本思路是沿用上述内置kNN算法的代码，重新实现KNeighborsClassifier，称之为MyKNN好了。除了初始化函数之外，还需要fit和predict这两个方法，并且方法签名和原先的保持一致，所以MyKNN类的基本结构如下：
class MyKNN:
def __init__(self, n_neighbors=5):
pass
def fit(self, X_train, y_train):
pass
def predict(self, X_test):
pass
实现_init_
初始化方法仅需初始化几个参数以便后续使用：
def __init__(self, n_neighbors=5):
self.n_neighbors = n_neighbors
self.X_train = None
self.y_train = None
实现fit
在这里我简单处理该方法，由于原先fit方法包含了X和y两个参数，因此沿用该方法签名，这样就不需要改动其他代码了：
def fit(self, X_train, y_train):
self.X_train = X_train
self.y_train = y_train
实现predict
我需要在该方法中遍历计算测试数据和训练数据之间的距离，两点之间的距离可以使用欧几里得公式，因此需要先定义一个外部方法my_euclidean：
def my_euclidean(a, b):
return distance.euclidean(a, b)
我需要计算当前测试数据与K个最近距离的训练数据之间的值，然后看一下这K个数据中，最多的分类是哪种，则可认为测试数据也属于该种分类（概率最高）。因此先定义一个私有方法__closest：
def __closest(self, row):
all_labels = []
for i in range(0, len(self.X_train)):
dist = my_euclidean(row, self.X_train[i])
# 获取k个最近距离的邻居，格式为(distance, index)的tuple集合
all_labels = self.__append_neighbors(all_labels, (dist, i))
# 将k个距离最近的邻居，映射为label的集合
nearest_ones = np.array([self.y_train[idx] for val, idx in all_labels])
# 使用numpy的unique方法，分组计算label的唯一值及其对应的值第一次出现的index和值的计数
# 例： elements = [1, 2], elements_index = [3,0], elements_count = [1, 4] 这个结合表示：
# elements = [1, 2] ： 出现了1和2两种类型的数据
# elements_index = [3,0] ： 1第一次出现的index是3， 2第一次出现的index是0
# elements_count = [1, 4] ： 1共出现了1次， 2共出现了4次
elements, elements_index, elements_count = np.unique(nearest_ones, return_counts=True, return_index=True)
# 返回最大可能性的那种类型的label值
return elements[list(elements_count).index(max(elements_count))]
为了提升性能，我定义了__append_neighbors方法，该方法将当前距离-序号的tuple加入到数组中并按升序排序，最终只截取前k个值，可以用python的特性很容易实现该逻辑：
def __append_neighbors(self, arr, item):
if len(arr) <= self.n_neighbors:
arr.append(item)
return sorted(arr, key=lambda tup: tup[0])[:self.n_neighbors]
后记
短短几行代码就实现了自己的kNN算法，我本地跑下来的准确率在95%以上。
需要完整代码可以在我的GitHub上找到。