可以发现黄色和绿色分的不太开，可以更换切片方式
使用后两个明显分得更开，实验效果应该会更好，但因为官网使用前两个，所以我们仍旧使用前两个
还有另一种处理测试数据的方法（ravel）
关于这个函数，还有个更直观的例子
用的是c = y_由系统自动根据y_来调配颜色，其实也可以指定颜色
可以根据自己喜好更改颜色
除了使用scatter来画图。还可以使用countourf来画图
跟上面相比，它耗费的时间会相对短一点儿（画轮廓面跟散点图比起来，当然是轮廓面更快一点）
全部代码：
import numpy as np import matplotlib,pylab as pyb %matplotlib inline from sklearn.neighbors import KNeighborsClassifier from sklearn import datasets ###加载数据，数据降维（画图） X,y = datasets.load_iris(True) #4个属性 4维空间，4维的数据 #150代表样本的数量 X.shape #降维，切片：简单粗暴的方式（信息量变少了） X = X[:,:2] X.shape #训练数据shape #测试数据也应是这个形状（？，2） pyb.scatter(X[:,0],X[:,1],c = y) #c表示更改颜色，等于y是指根据不同y值分配颜色 ###KNN算法训练数据 knn = KNeighborsClassifier(n_neighbors=5) #使用150个样本点作为训练数据 knn.fit(X,y) ###meshgrid提取测试数据（8000个测试样本） #获取测试数据 #横坐标4--8；纵坐标2--4.5 #背景点，取出来，meshgrid x1 = np.linspace(4,8,100) y1 = np.linspace(2,4.5,80) X1,Y1 = np.meshgrid(x1,y1) display(X1.shape,Y1.shape) #处理测试数据，使其shape类似于训练数据 # X1 = X1.reshape(-1,1) # Y1 = Y1.reshape(-1,1) # X_test = np.concatenate([X1,Y1],axis = 1) # X_test.shape #平铺，一维化，reshape X_test = np.c_[X1.ravel(),Y1.ravel()] X_test.shape ###使用训练数据进行预测 %%time #查看执行时间，一个%只控制一行，因为下面进行了换行，所以用两个%% y_ = knn.predict(X_test) #或者可以这样写 #%time y_ = knn.predict(X_test) #注意%time一般放在第一行，放在第二行可能报错 from matplotlib.colors import ListedColormap lc = ListedColormap(['#FFAAAA','#AAFFAA','#AAAAFF']) lc2 = ListedColormap(['#FF0000','#00FF00','#0000FF']) pyb.scatter(X_test[:,0],X_test[:,1],c = y_,cmap = lc) pyb.scatter(X[:,0],X[:,1],c = y,cmap = lc2) pyb.contourf(X1,Y1,y_.reshape(80,100),cmap = lc) pyb.scatter(X[:,0],X[:,1],c = y,cmap = lc2)
