成長のポイント：もっとトレーニングKNNモデル、可視化
ライブラリー：
matplotlibの、numpyの、itertools（製品の可視化を持っている）、sklearn
データ準備プロセス
n_points = 100
X1 = np.random.multivariate_normal（[1,50]、 [1,0]、[0,10]、n_points）
X2 = np.random.multivariate_normal（[2,50]、 [1 、0]、[0,10]、n_points）
ランダムサンプルを生成する、100の数
np.random.multivariate_normal（平均、CoVの [サイズ]）
パラメータ:( 平均、共分散、数）
X1、X2は、アレイ、大きいアレイである、100行は*がある1リスト2（100列✖️2カラム）
X = np.concatenate（[X1、X2]）
np.concatenate（[1つのアレイ、アレイ2]）は、後でXは番号200である配列、に結合アレイ1つの2アレイ、すなわち、+ 100 100に追加されます
Y = np.array（[0] * n_points + [1] * n_points）
100 0100の群を強制的に1
印刷（X.shape、y.shape）
X.shape =（200、2）、y.shape =（200）
KNNモデルのトレーニングコース
CLFS = []
隣人= [1,3,5,9,11,13,15,17,19]
範囲内のiについて（LEN（近隣））：
clfs.append（KNeighborsClassifier（N_NEIGHBORS =隣人[I]）。フィット（X、Y））
コードベースの上部にKNNは、使用されてきました。
これは、コアコールKNN KNeighborsClassifierです
結果の可視化
KNNのコードベース全体では、コードを書いていません
PLTのようにインポートmatplotlib.pyplot
NPとして輸入numpyの
itertools輸入品から
sklearn.neighborsからはKNeighborsClassifierをインポート
＃生成一些随机样本
n_points = 100
X1 = np.random.multivariate_normal（[1,50]、[1,0]、[0,10]、n_points）
X2 = np.random.multivariate_normal（[2,50 ]、[1,0]、[0,10]、n_points）
X = np.concatenate（[X1、X2]）
Y = np.array（[0] * n_points + [1] * n_points）
プリント（ X.shape、y.shape）
#KNN模型的训练过程
CLFS = []
隣人= [1,3,5,9,11,13,15,17,19]
範囲（LEN（近隣））におけるiについて：
clfs.append（KNeighborsClassifier（N_NEIGHBORS =隣人[i]）と。フィット（X、Y））
＃可视化结果
x_min、x_maxを= X [:, 0] .min（） - 1、X [:, 0] .MAX（）+ 1
y_min、y_maxを= X [:, 1] .min（） - 1、X [：1] .MAX（）+ 1
、XX、YY = np.meshgrid（np.arange（x_min、x_maxを、0.1）、np.arange（y_min、y_maxを、0.1））
F、axarr = plt.subplots（3 、3、sharex = 'COL'、sharey = '行'、figsize =（15、12））
IDX、CLF、TT ZIPにするため（製品（[0、1、2]、[0、1、2]） 、CLFS、[ 'KNN（K =％d）が'近隣におけるkの％K]）：
Z = clf.predict（np.c_ [xx.ravel（）、yy.ravel（）]）
Z = Z.reshape （xx.shape）
axarr [IDX [0]、IDX [1]。contourf（XX、YY、Z、アルファ= 0.4）
axarr [IDX [0]、IDX [1]。散乱（X [0 :, ]、X [:, 1]、C = Y、S = 20、にEdgeColor = K ''）
axarr [IDX [0]、IDX [1]。set_title（TT）
plt.show（）
