前言

KNN算法系列文章加上总结共六篇笔记，已全部完成。本篇笔记做一个总结，随手再举个西瓜书上的例子。
转载请注明出处：http://blog.csdn.net/rosetta

总结

实际上KNN算法只要把数据准备好给分类函数就可以了。MLiA中的分类函数是classify0（），sklearn中由neigh.fit(normMat, datingLabels)完成，另外注意下前者直接输入待预测数据，后者通过调用neigh.predict()完成，并没有实际区别。从中也可以发现输入参数都是一样的数据类型，都是ndarray。normMat是样本的属性相关的，datingLabels是每个样本对应的标签，两者0维要一样，即有N条样本就要有N条标签，至于属性个数可大可少。

使用KNN算法对西瓜的好坏进行预测

随便就举个例子，西瓜书上第4页有个表1.1西瓜数据集，里面通过西瓜的一些特征判定其是否是好瓜，我们用KNN实现一个用来预测是否是好瓜代码来做个测试，以巩固所学知识。

原始数据如下：

编号	色泽	根蒂	敲声	好瓜
1	青绿	蜷缩	浊响	是
2	乌黑	蜷缩	浊响	是
3	青绿	硬挺	清脆	否
4	青绿	稍蜷	沉闷	否

因为是中文，我们做一下转换（后续可通过代码来做转换）：
色泽：青绿 0；乌黑1
根蒂：蜷缩 0; 稍蜷1， 硬挺2
敲声：浊响 0; 清脆 1，沉闷 2
好瓜：是 1；否 0

所以变成如下数据：

编号	色泽	根蒂	敲声	好瓜
1	0	0	0	1
2	1	0	0	1
3	0	2	1	0
4	0	1	2	0

原代码如下：

# 色泽：青绿 0；乌黑1
# 根蒂：蜷缩 0; 稍蜷1， 硬挺2
# 敲声：浊响 0; 清脆 1，沉闷 2
# 好瓜：是 1；否 0
def good_watermelon():
    resultList = ['否', '是']
    datingDataMat,datingLabels = file2matrix('watermelon.txt')
    print(datingDataMat,datingLabels)

    inArr = np.array([0, 1, 1])#青绿、稍蜷、清脆
    #inArr = np.array([0, 1, 0])#青绿、稍蜷、浊响
    neigh = KNeighborsClassifier(n_neighbors=3)
    neigh.fit(datingDataMat, datingLabels) #这里不需要做归一化处理。

    classifierResult = neigh.predict([inArr])[0]

    print("瓜的特征：",inArr)
    print("这个是不是一个好西瓜？答：", resultList[classifierResult])

watermelon.txt内容如下：
0 0 0 1
1 0 0 1
0 2 1 0
0 1 2 0

运行结果：
当输入数据为inArr = np.array([0, 1, 1])#青绿、稍蜷、清脆

如有疑问之处欢迎加我微信交流，共同进步！请备注“CSDN博客”