http://scikit-learn.org/stable/modules/neighbors.html
# !/usr/bin/env python
# -*- coding: utf-8 -*-
# __author__ = "abdata"
import time
import numpy as np
import pandas as pd
from sklearn.neighbors import KNeighborsClassifier
# from sklearn import datasets
# import matplotlib.pyplot as plt
mdata = pd.read_csv('http://data.galaxystatistics.com/blog_data/regression/iris.csv')
X = mdata.iloc[:,2:6]
print(X.head())
print(X.shape)
print(type(X))
y = mdata.iloc[:,1]
t0 = time.time()
neigh = KNeighborsClassifier(n_neighbors=3)
neigh.fit(X, y)
t = time.time() - t0
print(t)
print(neigh.predict(X))
print(neigh.predict_proba(X))
print(type(neigh))
# from sklearn.neighbors import KNeighborsClassifier
# X = [[0], [1], [2], [3]]
# y = [0, 0, 1, 1]
# neigh = KNeighborsClassifier(n_neighbors=3)
# neigh.fit(X, y)
# # KNeighborsClassifier(...)
# print(neigh.predict([[1.1]]))
# print(neigh.predict_proba([[0.9]]))
## Sepal.Length Sepal.Width Petal.Length Petal.Width
## 0 5.1 3.5 1.4 0.2
## 1 4.9 3.0 1.4 0.2
## 2 4.7 3.2 1.3 0.2
## 3 4.6 3.1 1.5 0.2
## 4 5.0 3.6 1.4 0.2
## (150, 4)
## <class 'pandas.core.frame.DataFrame'>
## 0.0010030269622802734
## ['setosa' 'setosa' 'setosa' 'setosa' 'setosa' 'setosa' 'setosa' 'setosa'
## 'setosa' 'setosa' 'setosa' 'setosa' 'setosa' 'setosa' 'setosa' 'setosa'
## 'setosa' 'setosa' 'setosa' 'setosa' 'setosa' 'setosa' 'setosa' 'setosa'
## 'setosa' 'setosa' 'setosa' 'setosa' 'setosa' 'setosa' 'setosa' 'setosa'
## 'setosa' 'setosa' 'setosa' 'setosa' 'setosa' 'setosa' 'setosa' 'setosa'
## 'setosa' 'setosa' 'setosa' 'setosa' 'setosa' 'setosa' 'setosa' 'setosa'
## 'setosa' 'setosa' 'versicolor' 'versicolor' 'versicolor' 'versicolor'
## 'versicolor' 'versicolor' 'versicolor' 'versicolor' 'versicolor'
## 'versicolor' 'versicolor' 'versicolor' 'versicolor' 'versicolor'
## 'versicolor' 'versicolor' 'versicolor' 'versicolor' 'versicolor'
## 'versicolor' 'virginica' 'versicolor' 'virginica' 'versicolor'
## 'versicolor' 'versicolor' 'versicolor' 'versicolor' 'versicolor'
## 'versicolor' 'versicolor' 'versicolor' 'versicolor' 'virginica'
## 'versicolor' 'versicolor' 'versicolor' 'versicolor' 'versicolor'
## 'versicolor' 'versicolor' 'versicolor' 'versicolor' 'versicolor'
## 'versicolor' 'versicolor' 'versicolor' 'versicolor' 'versicolor'
## 'versicolor' 'virginica' 'virginica' 'virginica' 'virginica' 'virginica'
## 'virginica' 'versicolor' 'virginica' 'virginica' 'virginica' 'virginica'
## 'virginica' 'virginica' 'virginica' 'virginica' 'virginica' 'virginica'
## 'virginica' 'virginica' 'versicolor' 'virginica' 'virginica' 'virginica'
## 'virginica' 'virginica' 'virginica' 'virginica' 'virginica' 'virginica'
## 'virginica' 'virginica' 'virginica' 'virginica' 'versicolor' 'virginica'
## 'virginica' 'virginica' 'virginica' 'virginica' 'virginica' 'virginica'
## 'virginica' 'virginica' 'virginica' 'virginica' 'virginica' 'virginica'
## 'virginica' 'virginica' 'virginica']
## [[ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 1. 0. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 0.33333333 0.66666667]
## [ 0. 1. 0. ]
## [ 0. 0.33333333 0.66666667]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 0.33333333 0.66666667]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 1. 0. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0.66666667 0.33333333]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0.66666667 0.33333333]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0.66666667 0.33333333]
## [ 0. 0.33333333 0.66666667]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0.33333333 0.66666667]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]
## [ 0. 0. 1. ]]
## <class 'sklearn.neighbors.classification.KNeighborsClassifier'># !/usr/bin/env python
# -*- coding: utf-8 -*-
# __author__ = "abdata"
import time
import numpy as np
import pandas as pd
from sklearn.neighbors import KNeighborsRegressor
# from sklearn import datasets
# import matplotlib.pyplot as plt
mdata = pd.read_csv('http://data.galaxystatistics.com/blog_data/regression/iris.csv')
X = mdata.iloc[:,3:6]
print(X.head())
print(X.shape)
print(type(X))
y = mdata.iloc[:,2]
t0 = time.time()
neigh = KNeighborsRegressor(n_neighbors=3)
neigh.fit(X, y)
t = time.time() - t0
print(t)
pre = neigh.predict(X)
print(pre)
print(pre.shape)
print(type(neigh))
# from sklearn.neighbors import KNeighborsRegressor
# X = [[0], [1], [2], [3]]
# y = [0, 0, 1, 1]
# neigh = KNeighborsRegressor(n_neighbors=3)
# neigh.fit(X, y)
# print(neigh.predict([[1.5]]))
## Sepal.Width Petal.Length Petal.Width
## 0 3.5 1.4 0.2
## 1 3.0 1.4 0.2
## 2 3.2 1.3 0.2
## 3 3.1 1.5 0.2
## 4 3.6 1.4 0.2
## (150, 3)
## <class 'pandas.core.frame.DataFrame'>
## 0.0005016326904296875
## [ 5.23333333 4.7 4.56666667 4.8 5. 5.4
## 4.96666667 5.1 4.56666667 4.8 5.26666667 5.06666667
## 4.7 4.56666667 5.56666667 5.46666667 5.43333333 5.06666667
## 5.4 5.26666667 5. 5.2 5.03333333 5.16666667
## 5. 4.8 5.16666667 5.1 4.96666667 4.7
## 4.83333333 5. 5.26666667 5.5 4.8 4.7 5.2
## 5. 4.7 5.1 5.2 4.43333333 4.56666667
## 5.13333333 5.4 4.7 5.26666667 4.66666667 5.26666667
## 4.93333333 6.66666667 6.23333333 6.76666667 5.53333333 6.2
## 6.26666667 6.66666667 5.2 6.13333333 5.7 4.96666667
## 5.73333333 5.66666667 6.5 5.53333333 6.56666667 5.66666667
## 5.8 5.8 5.63333333 6. 5.66666667 6.1 6.5
## 6.1 6.3 6.33333333 6.23333333 5.66666667 5.36666667
## 5.53333333 5.53333333 5.9 6.2 5.66666667 6.23333333
## 6.6 6. 5.66666667 5.6 5.6 5.7 5.7
## 4.96666667 5.66666667 5.66666667 6.1 6.1 5. 5.8
## 6.6 6. 7.1 6.4 6.83333333 7.53333333
## 5.86666667 7.3 6.8 6.76666667 6.3 6. 6.7
## 5.93333333 6.46666667 6.43333333 6.4 7.6 7.66666667
## 6.2 6.8 6.03333333 7.66666667 6.1 6.8
## 7.16666667 6.16666667 6.26666667 6.53333333 6.9 7.26666667
## 7.6 6.53333333 6.33333333 6.66666667 7.2 6.4 6.4
## 6. 6.7 6.76666667 6.66666667 6. 6.66666667
## 6.63333333 6.66666667 5.93333333 6.3 6.3 6.23333333]
## (150,)
## <class 'sklearn.neighbors.regression.KNeighborsRegressor'>other article
https://zhuanlan.zhihu.com/p/23191325
http://blog.csdn.net/luoshixian099/article/details/50923056
http://www.cnblogs.com/jtianwen2014/p/4249003.html
http://www.cnblogs.com/ybjourney/p/4702562.html
http://www.jianshu.com/p/d1c907148f22