knn算法python实现散点图

### KNN算法实现与散点图绘制 以下是基于Python的KNN算法实现以及通过`matplotlib`和`seaborn`库生成散点图的具体方法： #### 数据准备 为了演示目的，可以使用经典的鸢尾花数据集（Iris Dataset），该数据集通常被用来测试分类算法的效果。可以通过`sklearn.datasets`模块加载此数据集。 ```python from sklearn import datasets import pandas as pd iris = datasets.load_iris() data = pd.DataFrame(data=iris.data, columns=iris.feature_names) target = iris.target ``` 上述代码片段中，`iris`对象包含了鸢尾花的数据特征及其对应的类别标签[^2]。 --- #### 实现KNN算法 利用`scikit-learn`中的`neighbors.KNeighborsClassifier`来构建KNN模型，并对其进行训练。 ```python from sklearn.model_selection import train_test_split from sklearn.neighbors import KNeighborsClassifier X_train, X_test, y_train, y_test = train_test_split( data[['petal length (cm)', 'petal width (cm)']], target, test_size=0.3, random_state=42) knn_model = KNeighborsClassifier(n_neighbors=3) knn_model.fit(X_train, y_train) predictions = knn_model.predict(X_test) ``` 在此部分代码中，选择了花瓣长度和宽度作为两个主要特征来进行建模，并设置了邻居数为3。这一步骤完成了KNN模型的训练过程[^3]。 --- #### 绘制散点图 借助于`matplotlib`和`seaborn`库，可直观展示不同种类鸢尾花之间的分布情况。 ```python import matplotlib.pyplot as plt import seaborn as sns sns.set(style="whitegrid") # 设置Seaborn样式[^1] plt.figure(figsize=(8, 6)) scatter_plot = sns.scatterplot( x='petal length (cm)', y='petal width (cm)', hue=target, palette=sns.color_palette("hls", n_colors=len(set(target))), data=data, s=100, edgecolor="black" ) for i in range(len(X_test)): scatter_plot.text( X_test.iloc[i]['petal length (cm)'], X_test.iloc[i]['petal width (cm)'] + 0.03, f"{y_test.values[i]}->{predictions[i]}", horizontalalignment='center', size='medium', color='red' if y_test.values[i] != predictions[i] else 'green' ) plt.title('Scatter Plot of Iris Data with Predictions') plt.xlabel('Petal Length (cm)') plt.ylabel('Petal Width (cm)') plt.legend(title='Species', loc='upper left') # 添加图例说明 plt.show() ``` 这段代码实现了以下功能： 1. 使用`seaborn.scatterplot()`函数创建了一个二维散点图，其中颜色代表不同的鸢尾花品种。 2. 对测试集中每一点进行了标注，显示实际类别到预测类别的映射关系。如果预测错误，则标记为红色；否则为绿色。 3. 调用了`seaborn.set()`设置全局绘图风格以增强视觉效果。 --- #### 总结 以上展示了完整的流程：从数据预处理、建立KNN模型直至最终的结果可视化。这种方法不仅有助于理解KNN的工作原理，还能够清晰地观察到各个样本点的空间位置及其归属类别的情况。 ---