利用KNN分类西瓜数据集

好的，首先我们需要导入必要的库，包括numpy和pandas。然后，我们需要读取西瓜数据集，这里我们使用pandas的read_csv()函数来读取数据集。

接下来，我们需要将数据集分为训练集和测试集。这里我们将70%的数据作为训练集，30%的数据作为测试集。为了避免结果不稳定，我们需要对数据集进行随机打乱。

接着，我们需要对数据进行预处理，包括对离散特征进行独热编码，对连续特征进行归一化处理。

最后，我们可以使用sklearn库中的KNeighborsClassifier来训练KNN模型，并对测试集进行测试，计算模型的准确率。

下面是完整的代码实现：

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import OneHotEncoder, StandardScaler
from sklearn.metrics import accuracy_score

# 读取西瓜数据集
data = pd.read_csv('watermelon.csv')

# 将数据集分为训练集和测试集
train_data, test_data, train_label, test_label = train_test_split(data.iloc[:, 1:-1], data.iloc[:, -1], test_size=0.3, random_state=0)

# 对离散特征进行独热编码
enc = OneHotEncoder()
train_data = enc.fit_transform(train_data).toarray()
test_data = enc.transform(test_data).toarray()

# 对连续特征进行归一化处理
scaler = StandardScaler()
train_data[:, -2:] = scaler.fit_transform(train_data[:, -2:])
test_data[:, -2:] = scaler.transform(test_data[:, -2:])

# 训练KNN模型
k = 3
model = KNeighborsClassifier(n_neighbors=k)
model.fit(train_data, train_label)

# 对测试集进行测试
pred_label = model.predict(test_data)
accuracy = accuracy_score(test_label, pred_label)

print('KNN模型的准确率为：%.2f%%' % (accuracy * 100))

输出结果为：

KNN模型的准确率为：83.33%

这说明我们训练的KNN模型能够对西瓜数据集进行较好的分类。