https://www.cnblogs.com/HolyShine/p/10819831.html
＃sklearn.datasetsからはload_irisインポート インポートのNPとしてnumpyのを＃科学计算基础包 から scipyのダウンロードインポート疎 インポートPLTのようmatplotlib.pyplot インポートPDとしてパンダ から IPython.display インポート 表示 インポートSYS インポートmatplotlibのを インポートsklearn から sklearn.datasets インポートload_iris から sklearn .model_selectionの輸入train_test_split から sklearn.neighbors インポートKNeighborsClassifier ＃np.array = X（[1,2,3]、[4,5,6]]） ＃の印刷（ "X：\ N- {}"形式（X）） ＃のアイnp.eye =（4） ＃の印刷（ "アレイnumpyの：\ N- {}"形式（アイ）） ＃10と＃10の間のX = np.linspace（-10,10,100）は列番号、100の総数発生 ＃＃の正弦波を二番目の配列を作成する機能 ＃Y = np.sinを（X） ＃1 ？plt.plot（X、Y、マーカー= "X"）NO＃ディスプレイ、なぜ ＃PANDAS ＃データ= { '名前'： "ジョン" 、 "アンナ"、 "ピーター"、 "リンダ"]、 ＃ '場所'：[ "ニューヨーク"、 "パリ"、 "ベルリン"、 "ロンドン"]、 ＃ '年齢'：[24,13,53、 33]である ＃ } ＃1 data_pandas = PD。データフレーム（データ） ＃の表示（data_pandas） ＃1 ＃ディスプレイ（data_pandas [data_pandas.Age> 30]） ＃1 プリント（ 'Pythonのバージョン：{}'形式（ここで、sys.version）。） ＃1 プリント（ 'パンダバージョン：{}'フォーマット（PD .__ version__）） ＃1 プリント（ 'matplotlibのバージョン：{}'形式（matplotlibの.__ version__））。 ＃の印刷（ 'matplotlibのバージョン：{}'形式（matplotlibの.__ version__）） ＃1 ：フォーマット（sklearn。プリント（ '{}バージョンscikit学習'。 __version__）） iris_dataset = load_iris（） ＃の印刷（ "iris_datasetのキー：\ N {}"形式（iris_dataset.keys（））） X_train、X_test、y_train、y_test = train_test_split（ iris_dataset [ ' データ' ]、iris_dataset [ " ターゲット' ]、random_state = 0 ） ＃の印刷（ "X_trainシャープ：{}"形式（X_train.shape）） ＃の印刷（ "y_train形状：{}"形式（y_train.shape）） ＃ ＃ ＃ iris_dtaframe = PD。データフレーム（X_train、列= iris_dataset.feature_names） ＃GRR = pd.scatter_matrix（iris_dtaframe、C = y_train、figsize =（15,15）、マーカー= 'O'、hist_kwds = { 'ビン'：20}、S = 60 、アルファ= 0.8、CMAP = mglearn.cm3） ＃1.7.4构建第一个模型：K邻近算法 KNN = KNeighborsClassifier（N_NEIGHBORS = 1 ） knn.fit（X_train、y_train） ＃うち KNeighborsClassifier（アルゴリズム= ' 自動車'、leaf_size = 30、メトリック= "ミンコフスキー'metric_params =なし、n_jobs = 1、N_NEIGHBORS = 1、p = 2、重み= ' 均一' ） X_new = np.array（[5,2.9,1,0.2 ]]） プリント（「X_new.shape：{ } " .format（X_new.shape）） 予測 = knn.predict（X_new） プリント（" 予測：{} " .format（予測）） プリント（" 予測されたターゲット名：{} 」 .format（iris_dataset [ ' target_names ' ] [予測]）） y_pred = knn.predict（X_test） プリント（"テストセットの予測：\ N {} " .format（y_pred）） プリント（" テストセットのスコア：{:. 2F} " .format（np.mean（y_pred == y_test））） プリント（" テストセットのスコア：{ ：.2f} " .format（knn.score（X_test、y_test）））