• scikit-learn 中KNN分類繪圖
• 參考連結：
• KNN相關的類庫概述：
  https://www.cnblogs.com/pinard/p/6065607.html
• 下載的toy資料集：
  https://blog.csdn.net/sa14023053/article/details/52086695
• plt.scatter各引數詳解：
  https://blog.csdn.net/weixin_40713373/article/details/80024583

# -*- coding: utf-8 -*-
"""
Created on Sun Nov 25 15:55:09 2018

@author: muli
"""

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets.samples_generator import make_classification
from sklearn import neighbors

# 繪製背景的邊界
from matplotlib.colors import ListedColormap

# 生成隨機資料
# X為樣本特徵，Y為樣本類別輸出, 共1000個樣本，每個樣本2個特徵，
# 輸出有3個類別，沒有冗餘特徵，每個類別一個簇
X, Y = make_classification(n_samples=1000, n_features=2, n_redundant=0,
                             n_clusters_per_class=1, n_classes=3,random_state=1)
# X 為樣本的特徵，此案例中，只定義為兩類
# marker='o'：圓形
# c=Y：顏色，順序或顏色順序， `c`可以是一個二維陣列，其中的行是RGB或RGBA，但是，包括單個的情況行為所有點指定相同的顏色
# 可認為 c 顏色由聚類的簇 n_classes=n 自動決定
plt.scatter(X[:, 0], X[:, 1], marker='o', c=Y)
plt.show()


# KNeighborsClassifier 分類器
clf = neighbors.KNeighborsClassifier(n_neighbors = 15 , weights='distance')
clf.fit(X, Y)


print("------------------------------")

# 顏色濃
cmap_light = ListedColormap(['#FFAAAA', '#AAFFAA', '#AAAAFF'])
# 顏色淡
cmap_bold = ListedColormap(['#FF0000', '#00FF00', '#0000FF'])

# 確認訓練集的邊界
# 由 X特徵的最值確定 確定
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1

# 生成隨機資料來做測試集，然後作預測
# x_min--x_max,步長為 0.02----等差數列
# xx,yy分別是X的兩個特徵的其中一個
xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.02),
                         np.arange(y_min, y_max, 0.02))

# np.r_是按列連線兩個矩陣，就是把兩矩陣上下相加，要求列數相等。
# np.c_是按行連線兩個矩陣，就是把兩矩陣左右相加，要求行數相等。
# Z為測試集的資料
Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])

# 畫出測試集資料
Z = Z.reshape(xx.shape)
plt.figure()

# plt.pcolormesh(xx, yy, y_predict, cmap=cmap_light)
# 作用：畫出不同型別資料的色彩範圍--區域
# xx,yy：影象區域內的取樣點--組織成一個點
# y_predict：根據取樣點計算出的每個點所屬的類別
# camp：將相應的值對映到顏色
plt.pcolormesh(xx, yy, Z, cmap=cmap_light)

# 也畫出所有的訓練集資料
plt.scatter(X[:, 0], X[:, 1], c=Y, cmap=cmap_bold)
plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.title("3-Class classification (k = 15, weights = 'distance')" )

 

• 如圖所示：