knn算法是人工智能的基本算法，类似于语言中的"hello world!",python中的机器学习核心模块：Scikit-Learn
Scikit-learn（sklearn）模块，为Python语言实现机器学习的核心模块，其包含了大量的算法模型函数API，
可以让我们很轻松地创建、训练、评估 算法模型。同时该模块也是Python在人工智能（机器学习）领域的基础应用模块。
核心依赖模块：
NumPy：pip install –U numpy
Scipy：pip install –U scipy
Pandas：pip install –U pandas
Matplotlib：pip install –U matplotlib
Scikit-Learn模块：
Scikit-Learn：pip install –U scikit-learn
机器学习分为五个步骤：
1.算法选型 看选择监督学习还是无监督学习
2.样本数据划分 需要样本数据对模型进行训练
3.魔性训练 使用fit()方法 算法模型对象.fit( X_train_features, X_train_labels )
4.模型评估 metrics 使用sklearn中的 meterics 类可以实现对训练后的模型进行量化指标评估
5.模型预测 predict Predict实现了对测试数据验证以及用于对新数据的预测
KNN算法的简单应用，文档树：
其中numbers.csv数据如下：
number,classes1,A
2,A
3,A
4,B
5,B
6,B
7,C
8,C
9,C
num_knn.py源码：
from sklearn.neighbors import KNeighborsClassifier import numpy as np import matplotlib.pyplot as plt import os import pandas as pd import imp from sklearn.model_selection import train_test_split data=pd.read_csv(os.getcwd()+'\data'+os.sep+'numbers.csv') print('原始数据:\n',data) X_train,X_test,y_train,y_test=train_test_split(data['number'],data['classes'],test_size=0.25,random_state=40) print('训练特征值:\n',X_train.values) print('训练标签值:\n',y_train.values) print('测试特征值:\n',X_test.values) print('测试标签值:\n',y_test.values) #print(y_train) #print(y_test) plt.scatter(y_train,X_train) print('创建knn模型对象...') knn=KNeighborsClassifier(n_neighbors=3) print('开始训练knn模型...') knn.fit(X_train.values.reshape(len(X_train),1),y_train) #print(X_train.values) #print(X_train.values.reshape(len(X_train),1)) #变成列向量 # 评估函数 # 算法对象.score(测试特征值数据, 测试标签值数据) score=knn.score(X_test.values.reshape(len(X_test),1),y_test) print('模型训练综合得分:',score) # 步骤6：模型预测 # predict()函数实现 # predict(新数据（二维数组类型）): 分类结果 result = knn.predict([[12],[1.5]]) print('分类预测的结果为:{0},{1}'.format(result[0],result[1])) # 绘制测试数据点 plt.scatter(result[0], 12, color='r') plt.scatter(result[1], 1.5, color='g') plt.grid(linestyle='--') plt.show()