KNN基础预测结果可视化

KNN算法可以用于分类和回归等问题，不同的问题需要不同的可视化方法。在这里，我将介绍KNN算法用于分类问题时的可视化方法。

首先，我们需要准备数据集。假设我们有一个二维的数据集，其中包含两类数据点：红色点和蓝色点。我们可以使用matplotlib库来绘制数据点的散点图，如下所示：

import matplotlib.pyplot as plt
import numpy as np

# 生成数据集
np.random.seed(0)
X = np.random.randn(200, 2)
y = np.logical_xor(X[:, 0] > 0, X[:, 1] > 0)

# 绘制散点图
plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Spectral)
plt.show()

这段代码会生成一个包含200个数据点的散点图，其中红色点表示类别0，蓝色点表示类别1。数据集是随机生成的，其中红色点和蓝色点分别位于第一象限和第三象限。

接下来，我们可以使用KNN算法对数据进行分类，并将分类结果可视化。以下是代码示例：

from sklearn.neighbors import KNeighborsClassifier

# 训练KNN模型
clf = KNeighborsClassifier(n_neighbors=3)
clf.fit(X, y)

# 绘制决策边界
h = .02
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, h), np.arange(y_min, y_max, h))
Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
plt.contourf(xx, yy, Z, cmap=plt.cm.Spectral)

# 绘制散点图
plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Spectral)
plt.show()

这段代码会训练一个KNN模型，然后使用网格搜索方法生成决策边界，并将分类结果用颜色填充。我们可以看到，分类结果非常准确，所有的红色点都在左下角，所有的蓝色点都在右上角。

关于KNN算法的回归问题，可视化方法与分类问题有所不同。如果你想了解更多，请告诉我。