本文共 1177 字，大约阅读时间需要 3 分钟。

前言

上一篇文章中进行距离计算时使用的函数是由自己实现的classify0()完成，本篇文章改用sklearn库的KNN相关的接口实现。其实只要学会了上一节中的K-近邻算法，在其基础上只要做如下修改即可。最主要的修改就是调用分类函数的地方改成调用sklearn的库，然后在预测时注意下其返回的结果是个ndarray，取值方式稍有不同，其它都一样的。

Scikit learn 简介

也简称 sklearn, 是机器学习领域当中最知名的 python 模块之一。Sklearn 包含了很多种机器学习的方式:

• Classification 分类
• Regression 回归
• Clustering 非监督分类
• Dimensionality reduction 数据降维
• Preprocessing 数据预处理

源码实现

from sklearn.neighbors import KNeighborsClassifierdef sklearn_classifyPerson():    resultList = ['没有魅力', '魅力一般', '极具魅力']    ffMiles = float(input("每年飞行公里数？"))    percentTats=float(input("打游戏耗费时间的百分比？"))    iceCream = float(input("每周消费的冰激凌?"))    datingDataMat, datingLabels = file2matrix('datingTestSet2.txt')    normMat, ranges, minVals = autoNorm(datingDataMat)    inArr = np.array([ffMiles,percentTats,iceCream])    # classifierResult = classify0((inArr-minVals)/ranges, normMat, datingLabels, 3)    neigh = KNeighborsClassifier(n_neighbors=3)    neigh.fit(normMat, datingLabels)    classifierResult = neigh.predict([(inArr-minVals)/ranges])[0]#其返回的是ndarray，后面加[0]表示取里面的值。    print("这个人：", resultList[classifierResult-1])

直接在Python的main函数中调用sklearn_classifyPerson函数即可。

如有疑问之处欢迎加我微信交流，共同进步！请备注“CSDN博客”