k-近邻（应用sklearn的莺尾花数据集）

kNN 的作用机制为在目标周围选取最近k个点，这k个点哪种占比最大，就可以把这个目标分类到那个分类，即有分到相似属性多的类别。
该算法和回归，决策树不同之处是，回归和决策树是通过训练集确定参数，参数一旦确定直接就能拿来进行测试，而kNN不同，它的分类要凭借训练数据，或者说并没有训练这一过程。

#导入包

import pandas as pd
import numpy as np
from sklearn.datasets import load_iris #莺尾花数据集
from sklearn.neighbors import KNeighborsClassifier #knn算法

iris = load_iris()

X = iris.data

y = iris.target

feature_name = iris.feature_names

#看一下k为多少，准确率最高

for i in range(5,20):
knn = KNeighborsClassifier(n_neighbors=i, weights='uniform')
knn.fit(X, y)
print("准确率", knn.score(X, y))

k-近邻（应用sklearn的莺尾花数据集）

15和16的准确率最高，选15

#创建knn

knn = KNeighborsClassifier(n_neighbors=15, weights='uniform')

#训练

knn.fit(X,y)

#预测

pred = knn.predict(X)

# 创建pandas dataframe

df = pd.DataFrame(X,columns=feature_name)

df['target'] = y

df['pred'] = pred

#保存

df.to_excel('iris.xlsx')