Lesson 21 KNN
监督学习（Supervised Learning）
从给定标注的训练数据中学习出一个函数，根据这个函数为新数据进行标注
无监督学习（Unsupervised learning）
从给定无标注的训练数据中学习出一个函数，根据这个函数为所有数据标注
分类（Classification）
分类算法通过对一只类别训练数据集的分析，从中发现分类规则，以此预测新数据的类别，分类算法属于监督学习
K近邻分类算法
KNN 算法从训练集中找到和新数据最接近的K条记录，然后根据他们的主要分类来决定新数据的类别
交叉验证（cross validation）
训练集（Training set）
用来训练模型或确定模型参数的数据集
测试集（testing set）
用来验证模型准确性的数据集，但不保证模型的正确性
K折交叉验证
设置K=10， 把原来的数据集随机分成10分，分别为{D1, D2, ..., D10}
接着，使用D1作为测试集，{D2,D3,...,D10}作为训练集，计算得分S1
继续，使用D2作为测试集，{D1,D3,...,D10}作为训练集，计算得分S2
......
最后，使用D10作为测试集，{D1,D2,...D9}作为训练集，计算得分S10
API小结
neighbors.KNeighborsClassifier KNN模型
- knnModel = neighbors.KNeighborsClassifier(n_neighbors=5)
n_neighbors: 分类的个数
return: KNN模型 - knnModel.fit(tData, tTarget) KNN训练方法
tData: 训练数据的属性数据
tTarget: 训练数据的目标数据 - knnModel.score(sData, sTarget) KNN评分方法
sData: 测试数据的属性数据
sTarget: 测试数据的目标数据 - knnModel.predict(pData) KNN预测方法
pData: 需要预测的属性数据
return: 模型预测结果
