机器学习之sklearn-KNN近邻算法分类小案例（癌细胞检测）
案例展示：通过使用scikit-learn机器学习库快速且简便地实现K-近邻（KNN）分类检测技术
导包部分
构造数据集：
1.特征值数据，癌变部位大小，时间
data_canner_feature=[
[3.393533211, 2.331273381],
[3.110073483, 1.781539638],
[1.343808831, 3.368360954],
[3.582294042, 4.679179110],
[2.280362439, 2.866990263],
[7.423436942, 4.696522875],
[5.745051997, 3.533989803],
[9.172168622, 2.511101045],
[7.792783481, 3.424088941],
[7.939820817, 0.791637231]]
2.癌症目标值数据0表示未癌变，1表示癌变
data_canner_target=[0, 0, 0, 0, 0, 1, 1, 1, 1, 1]
3.待预测样本
predict_data=[[8.093607318, 3.365731514]]
数据处理：
在数据处理阶段中进行数据转换操作。具体而言，在将列表转化为对应的矩阵向量表示时，请注意以下步骤：
- 将data_canner_feature进行转换并赋值给变量X；
- 将data_canner_target进行转换并赋值给变量y；
- 将predict_data进行转换并赋值给变量x；
图形观察： 绘制绿色标记点集（坐标位置为X[y0,0]与X[y0,1]），以及红色标记点集（坐标位置为X[y1,0]与X[y1,1]），最后绘制蓝色标记点集（仅使用数据集中的第一个维度坐标位置x[0,0]与x[0,1]），调用plt.show()以显示图形
为构建KNN分类器模型：
knn = KNeighborsClassifier(n_neighbors=3)
#对训练数据进行建模
knn.fit(X, y)
#对待测样本进行预测
predict = knn.predict(x)
#评估预测结果
if predict[0] == 0:
print('经检测, 该细胞属于良性')
else:
print('经检测, 该细胞已恶化, 接着时间进行进一步治疗')
系统预测结果：
经检测，该细胞已恶化，抓紧时间进行进一步的治疗