knn算法python画图

K近邻(KNN)算法是一种基于实例的学习方法，它不需要训练模型，而是直接通过计算新样本与已知数据集中的点的距离来进行预测。在Python中，我们可以利用`matplotlib`库来可视化KNN的过程。下面是一个简单的步骤：

1. 首先，安装必要的库，如`numpy`, `pandas`, 和 `scikit-learn`，以及绘图库`matplotlib`和`seaborn`：

   pip install numpy pandas scikit-learn matplotlib seaborn

2. 导入所需模块并生成一些示例数据：

   import numpy as np
   from sklearn.datasets import make_classification
   import matplotlib.pyplot as plt
   import seaborn as sns

   X, y = make_classification(n_samples=50, n_features=2, centers=4, random_state=42)

3. 使用` knearest_neighbors` 函数从`sklearn.neighbors` 中加载 KNN 分类器：

   from sklearn.neighbors import KNeighborsClassifier
   knn = KNeighborsClassifier(n_neighbors=3)  # 选择一个邻居数，例如3
   knn.fit(X, y)

4. 创建一个新的点或一组点，并进行预测：

   new_points = np.array([[2, 2], [4, 4]])  # 新的数据点
   predictions = knn.predict(new_points)

5. 绘制原始数据和决策边界，通常可以使用`scatter`函数展示每个类别的数据点，并通过颜色区分它们：

   colors = ['red', 'blue']
   for i in range(2):
       plt.scatter(X[y == i, 0], X[y == i, 1], color=colors[i])

   # 绘制分类边界的虚线
   plot_decision_boundary(knn, X, y)
   plt.scatter(new_points[:, 0], new_points[:, 1], color='black', marker='x')
   plt.xlabel('Feature 1')
   plt.ylabel('Feature 2')
   plt.title('KNN Classification')
   plt.show()

这里`plot_decision_boundary`是一个辅助函数，用于绘制决策边界。如果你需要创建这个函数，可以参考以下代码示例：

   def plot_decision_boundary(model, X, y):
       x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
       y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
       xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.02), np.arange(y_min, y_max, 0.02))
       Z = model.predict(np.c_[xx.ravel(), yy.ravel()])
       Z = Z.reshape(xx.shape)
       plt.contourf(xx, yy, Z, alpha=0.8)