目录
一、对[1.0,1.1],[1.0,1.0],[0,0],[0,0.1],[0.1,0.1],[1.1,1.1]六个点用knn进行聚类，并显示。
1. 未调用KNN算法前，绿色为未知分类
2. 调用KNN算法
3. 运行结果
二、使用knn算法分类手写数字文件
1. 第一个temp的含义
2. 第二个temp的含义
3. 第三个temp的含义
4. 第四个temp的含义
5. argsort
三、使用knn算法分类约会数据，选择不同的k值，看看正确率有什么变化
1. 常用的特征归一化方法MinMaxScaler 实现公式如下
2. 将txt文件转换为特征矩阵存储起来
3. 用KNN算法计算正确率
四、K均值聚类算法分类80个二维数据
1. means聚类算法的工作流程
五、模拟第一题，对ppt中P3页的电影例子进行分类并显示分类结果。标签中不再显示坐标，而是显示电影名字。
1. 处理数据
2. 未分类之前
3. 用KNN算法分类之后
一、对[1.0,1.1],[1.0,1.0],[0,0],[0,0.1],[0.1,0.1],[1.1,1.1]六个点用knn进行聚类，并显示。
[[1.0,1.1],[1.0,1.0],[0,0],[0,0.1],[0.1,0.1],[1.1,1.1]]为样本集，标签集为：[0,0,1,1,2,2]。
前两个元素[1.0,1.1],[1.0,1.0]为一类，中间两个元素[0,0],[0,0.1]为另一类，[0.1,0.1],[1.1,1.1]为待分类的样本。
在”简单kNN.ipynb”最后一个单元格基础上，将绿色为分类样本通过调用knn算法实现分类并按类别显示.
1. 未调用KNN算法前，绿色为未知分类
2. 调用KNN算法
3. 运行结果
二、使用knn算法分类手写数字文件
knn算法中的几个temp分别表示什么意义，temp.shape是否有变化，分别对应着什么？
argsort是什么，记录的数据对应着什么？
1. 第一个temp的含义
矩阵相减的时候，由于_x是一个1*1024的矩阵，而x是一个1934*1024的矩阵，_x的维度会变成1934*1024，每行都是一样的，再减掉x矩阵。
其实就是求所求点与各点之间的坐标差，x0-x, y0-y,.....
Temp.shape = (1934 , 1024)
2. 第二个temp的含义
求平方，（x0-x）^2,（y0-y）^2,.......
Temp.shape = (1934 , 1024)
3. 第三个temp的含义
矩阵变为1934行1列，（x0-x）^2 +（y0-y）^2+.......
Temp.shape = (1934 , 1)
4. 第四个temp的含义
给矩阵每个数开根，算出所求点与已有各点的距离
Sqrt（x0-x）^2 ＋（y0-y）^2+.......）
Temp.shape = (1934 , 1)
5. argsort
将列表中的元素进行排序，返回列表索引号为0的值表示原列表中最小的数字的索引号，依此类推。例如temp列表为[0. 0.1 1.48660687 1.41421356]，则temp.argsort()返回值为[0 1 3 2] 第一个元素值为0，表示temp中最小的元素所在索引号为0，第二个元素值为1，表示temp中第二小的元素所在索引号为1，第三小元素所在索引号为3，第四小元素所在索引号为2
三、使用knn算法分类约会数据，选择不同的k值，看看正确率有什么变化
1. 常用的特征归一化方法MinMaxScaler 实现公式如下
X_std = (X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0))
X_scaled = X_std * (max - min) + min
2. 将txt文件转换为特征矩阵存储起来
3. 用KNN算法计算正确率
测试1-200之间的k值的准确率：
结果如下：
可以发现不是线性关系，随着数字变大，准确率也会下降。
四、K均值聚类算法分类80个二维数据
1. means聚类算法的工作流程
（1）首先随机选择初心质心，其中K是用户指定的参数（需要分成几类）
（2）将数据集中的每个点指派到最近的质心，而指派到一个质心的点就为一个簇。
（3）根据指派到簇的点，将每个簇的质心更新为该簇所有点的平均值
（4）重复指派和更新步骤，直到簇不发生变化，或者等价的，直到质心不发生变化。
五、模拟第一题，对ppt中P3页的电影例子进行分类并显示分类结果。标签中不再显示坐标，而是显示电影名字。
1. 处理数据
2. 未分类之前
3. 用KNN算法分类之后
