详细见代码注释

from sklearn import datasets # sklearn的数据集 from sklearn.neighbors import KNeighborsClassifier # sklearn模块的KNN类 import numpy as np np.random.seed(0) #设置随机种子，并保证产生的随机数是一样的 iris = datasets.load_iris()# 获取鸢尾花数据集 print(iris) iris_x = iris.data # 数据部分 iris_y = iris.target # 类别部分 # 从150条数据中选取140条作为训练集，10条作为测试集 # permutation接受一个数作为参数，产生一个0-149乱序的一维数组 randomarr = np.random.permutation(len(iris_x)) iris_x_train = iris_x[randomarr[:-10]] # 训练集数据 iris_y_train = iris_y[randomarr[:-10]] # 训练集标签 # 构建测试集 iris_x_test = iris_x[randomarr[-10:]] # 测试集数据 iris_y_test = iris_y[randomarr[-10:]] # 测试集标签 # 定义一个KNN分类器对象 knn = KNeighborsClassifier() # 调用改对象的训练方法，主要接受两个参数：训练数据集合类别标签 knn.fit(iris_x_train,iris_y_train) # 调用预测方法，主要接收一个参数：测试数据集 iris_y_predict = knn.predict(iris_x_test) # 计算各个测试样本预测的概率值 # 这里没有使用概率值，但是在实际工作中，可能会参考概率值进行最后结果的筛选，而不是直接使用给出的预测标签 probility = knn.predict_proba(iris_x_test) # 计算与最后一个测试样本距离最近的5个点，返回的是这些样本的序号组成的数组 neighbirpoint = knn.kneighbors([iris_x_test[-1]],5) # 调用对象的打分方法，计算出准确率 score = knn.score(iris_x_test,iris_y_test,sample_weight=None) # 输出测试结果 print('iris_y_predict=') print(iris_y_predict) # 输出原始测试数据集的正确标签，以便方便对比 print('iris_y_test') print(iris_y_test) # 输出准确率 print('准确率：{:.2%}'.format(score))