什么是KNN
邻近或K最近邻（K-NearestNeighbor，KNN）分类算法是基于实例的分类（instance-based learning），属于惰性学习（lazy learning），是数据挖掘分类技术中最简单地方法之一。KNN是通过测量不同特征值之间的距离进行分类。它的思路是：如果一个样本在特征空间中的K个最相似（即在特征空间中最邻近）的样本中的大多数属于某一个类别，则该样本也属于这个类别，其中K通常是不大于20的整数。KNN没有明显的训练学习过程，不同K值的选择都会对KNN算法的结果造成重大影响。KNN算法的结果很大程度取决于K的选择，其算法过程描述为：
（1）计算测试数据与各个训练数据之间的距离；
（2）按照距离的递增关系进行排序；
（3）选取距离最小的K个点；
（4）确定前K个点所在类别的出现频率；
（5）返回前K个点中出现频率最高的类别作为测试数据的预测分类。
KNN可以应用很多情境中，比如：如果要预测某一套房子的单价，就参考最相似的K个房子的价格，比如相似特征可以是距离最近、户型最相似等。
任务1：下面以鸢尾花的公开数据集为例，说明sklearn中KNN的使用。
要求以iris数据集为分析对象，根据已知的花萼长度、花萼宽度、花瓣长度和花瓣宽度，使用KNN来预测对应的鸢尾花品种。以下过程以数据读取、数据分析及可视化来说明sklearn中KNN的使用过程。
步骤一：读取数据，代码如下：
| #coding:utf-8 import pandas as pd |
步骤二：读取准备（标签映射），代码如下：
| from sklearnimport preprocessing # 对类别进行数值化处理 |
数据预处理结果如图所示。
步骤三：原数据可视化展现，代码如下：
| import numpyas np import matplotlib.pyplotas plt |
可视化结果，如图所示。
步骤四：数据集切分，代码如下：
| from sklearn.model_selection import train_test_split |
步骤五：使用KNN建立模型并训练，代码如下：
| from sklearn.neighbors import KNeighborsClassifier # KNN近邻分类预测 |
步骤六：对模型进行评估，代码如下：
| y_pred=knn.predict(x_test) |
上述代码中对模型进行了简单评估，其预测准确度为0.97，具体显示结果如图所示。 
