def dating_test():
"""
KNN分类器针对约会网站的测试
:return:
"""
# 测试数据占总数据的百分比
test_ratio = 0.1
# 归一化数据
normalized_matrix = kNN.autoNormalize(matrix)
total_number = normalized_matrix.shape[0]
column = normalized_matrix.shape[1]
# 测试的数据总个数
test_number = int(total_number * test_ratio)
# 记录分类错误的个数
error_count = 0
for j in range(test_number):
"""
注意此处取出了第一列和第三列的数据
由于前面的此时发现飞行的里程数和玩视频游戏分类的效果更明显
"""
test_data = normalized_matrix[j, 0:2] # => normalized_matrix[i]
sample_data_set = normalized_matrix[test_number:total_number, 0:2]
# KNN算法获得的分类结果
classfy_result = kNN.knn_classfy(test_data, sample_data_set, labels[test_number:total_number], 6)
# 实际的label结果
real_result = labels[j]
print '预测的结果：%d, 实际的结果：%d' % (classfy_result, real_result)
if classfy_result != real_result:
error_count += 1.0
print '分类的错误率：%f' % (error_count / test_number) # 最好结果0.040000
#!/usr/bin/python2.7
# _*_ coding: utf-8 _*_
import kNN
import matplotlib.pyplot as plt
group, labels = kNN.createDataSet()
input_data = [1.1, 1.2]
result = kNN.knn_classfy(input_data, group, labels, 3)
print '数据', input_data, '属于：', result
# create a new figure and set it's width, height
plt.figure(figsize=(10, 10))
plt.subplot(111)
plt.scatter(group[:, 0], group[:, 1], c='#ef6790', s=20)
for label, x, y in zip(labels, group[:, 0], group[:, 1]):
plt.annotate(label,
xy=(x, y), # 所要注释的坐标
xytext=(-10, 0), # 注释文字中心偏离（x,y）坐标的位移
textcoords='offset points', # important！设置text坐标是相对于（x,y)的偏移
ha='right', # 设置水平对齐horizontalalignment
va='bottom') # 设置垂直对齐verticalalignment
# 绘制预测的结果：
plt.scatter(input_data[0], input_data[1], c='#ff0000', s=80)
plt.annotate(result,
xy=(input_data[0], input_data[1]),
xytext=(-10, 0),
textcoords='offset points',
ha='right',
va='bottom')
