机器学习实战2-运行KNN示例

环境配置

代码存放地方为:
C：\PyCode\ML\knn\Ch02

查看当前Python版本

切换Anaconda的编译环境，激活Python2

查看当前Python编译环境

进入Python编译环境

导入数据

导入knn模块（也就是knn.py文件），导入数据

使用Matplotlib画图

导入matplotlib包时显示不存在，quit()退出当前Python环境，在anaconda中安装matplotlib包，conda install matplotlib

使用第二个和第三个特征画散点图

使用不同大小颜色的点区分不同类别的数据

>>> import matplotlib.pyplot as plt>>> import numpy as np>>> fig = plt.figure()>>> ax = fig.add_subplot(111)>>> ax.scatter(datingDataMat[:,1], datingDataMat[:,2], 15.0*np.array(datingLabels), 15.0*np.array(datingLabels))#以第二列和第三列为x,y轴画出散列点，给予不同的大小和颜色，第一个15.0*np.array(datingLabels)表示散列点的大小，第二个15.0*np.array(datingLabels)表示散列点的颜色#scatter（x,y,s=1,c="g",marker="s",linewidths=0）  #s:散列点的大小,c:散列点的颜色，marker：形状，linewidths：边框宽度  >>> plt.xlabel('Percentage of time spent on playing games')>>> plt.ylabel('Ice cream consumed per week'）>>> plt.show()

运行结果为：

测试knn分类器的准确性

实际预测函数

>>> def datingClassTest():...     ratio = 0.1...     datingDataMat, datingLabels = knn.file2matrix('datingTestSet.txt')...     normMat, ranges, minVals = autoNorm(datingDataMat)...     m = normMat.shape[0]...     numTestVecs = int(m*ratio)...     errorCount = 0.0...     for i in range(numTestVects):...         classifierResult = classify0(normMat[i,:],normMat[numTestVecs:m,:],datingLabels[numTestVecs:m],3)...         print "the classifier came back with:％ｄ,the real is: %d" % (classifierResult, datingLabels[i])...         if(classifierResult != datingLabels[i]): errorCount += 1.0...     print "the total error rate is %f" %(errorCount/float(numTestVecs))