一、感谢博客的内容提供的参考

标题：最新版学习笔记---Python机器学习基础教程（1）Irises(鸢尾花)分类---附完整代码

作者：非鱼子焉

地址：https://zhu-rui.blog.csdn.net/article/details/105900142

二、结合上课学习，划出理解的难点和重点

这一章太重要了，之前没太看懂的，现在有一点小懂，赶紧记录一下

（一）什么样的数据可以让机器分类

类别1类别2类别3特点1特点2特点3特点4       

书上提供了一种花的数据，三个品种，对应的是四个特点，分别是花萼长度和宽度，花瓣长度和宽度

（二）怎么让机器学习

K近邻算法，就是用这个算法来学习所有的数据

简而言之，就是你用的大脑去测算一个人的品格时候，用的是什么标准。比如你用的是 核心价值观。

那么核心价值观就是那个算法，你用这个算法去学习分析了很多人之后，发现效果不错。现在一个新的人，你再次分析就行。

 这不就是模拟人的大脑么？

（三）一些只有机器 才能读懂的语言和程序学习，这部分很枯燥

先看看书，然后看看上面的参考，最后我给的完整代码，自己跑一下，OK就行

比如这个东东

data里面是花萼长度、花萼宽度、花瓣长度、花瓣宽度的测量数据，格式为NumPy数组target数组包含的是测量过的每朵花的品种，品种被转换为0到2的整数，格式为NumPy数组target_names键对应的值是一个字符串数组，里面包含我们要预测的花种DESCR键对应的值是数据集的简要说明feature_names键对应的值是一个字符串列表，对应一个特征进行了说明filename键对应的值是数据集的存储位置

完整代码

import numpy as np from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split iris_dataset =load_iris() X_train,X_test,y_train,y_test=train_test_split(iris_dataset['data'],                                                iris_dataset['target'],random_state=0) from sklearn.neighbors import KNeighborsClassifier 

knn=KNeighborsClassifier(n_neighbors=1)#这里我们设置邻居的数目为1

knn.fit(X_train,y_train)#构建模型

score=knn.score(X_test,y_test) #给模型打分，就是用这些数据模拟后搞了一个模型，反过来看看模拟特征对应的分类结果准不准

print("The rate of truth is ","{:.2f}".format(score))#展示给你们看我们的正确率

X_new = np.array([[5,2.9,1,0.2]])#书上一个新的花的四个特点，不知道属于哪个花 prediction = knn.predict(X_new)#马上应用我们的模型，看看属于什么花 print("prediction:{}".format(prediction))#展示出来结果