用sklearn简单实现KNN和KMeans

数据集：使用sklearn自带的iris数据集，该数据集包含某种花类的观察数据，包括四个特征，花有三类。

①导入要用到的包：

from sklearn import datasets
from sklearn.neighbors import KNeighborsClassifier
from sklearn.cluster import KMeans

②导入数据集：

iris = datasets.load_iris()

特征值数据存储在iris.data中，标签在iris.target中：

③实现KNN：

neigh = KNeighborsClassifier(n_neighbors = 3)
neigh.fit(iris.data,iris.target)
print("预测结果："+str(neigh.predict([[5,3,5,2]])))  #预测

④实现KMeans：

kmeans = KMeans(n_clusters = 3,random_state = 0).fit(iris.data)
print("kemeans:"+str(kmeans.labels_)) #打印聚类结果
print("target:"+str(iris.target))  #打印数据集标签进行对比

结果：

借助sklearn实现一些简单的机器学习算法非常方便，但是要了解其中原理还是要花一些时间的！