Matplotlib中的图k-NN决策边界

import numpy as np
import matplotlib.pyplot as plt
from sklearn import neighbors, datasets

# 加载示例数据集
iris = datasets.load_iris()
X = iris.data[:, :2]  # 只使用前两个特征
y = iris.target

# 定义k-NN分类器
knn = neighbors.KNeighborsClassifier(n_neighbors=3)

# 训练分类器
knn.fit(X, y)

# 生成决策边界的网格点
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
h = 0.02  # 网格步长
xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))

# 对网格点进行预测
Z = knn.predict(np.c_[xx.ravel(), yy.ravel()])

# 将预测结果可视化
Z = Z.reshape(xx.shape)
plt.figure()
plt.pcolormesh(xx, yy, Z, cmap=plt.cm.Paired)

# 绘制训练集样本点
plt.scatter(X[:, 0], X[:, 1], c=y, edgecolors='k', cmap=plt.cm.Paired)
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')

plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.xticks(())
plt.yticks(())

plt.show()