import numpy as np
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
#来导入那个啥花的数据，包括他的属性值，就是X自变量，和他的具体分类值，也就是目标变量
iris = datasets.load_iris()
X_iris = iris.data
Y_iris = iris.target
print(X_iris[:2,:]) #先查看两个样本的属性
#可以看到有四个属性，可能是花的直径啊花瓣厚度什么，我瞎猜的，我跟花不熟
print(Y_iris)
#查看花的分类，虽然不太清楚具体是什么分类，但可以知道有三种类别：0,1,2
#接着，我们会用到train_test_split来分开我们的train data和test data
X_train,X_test,y_train,y_test = train_test_split(X_iris,Y_iris,test_size=0.3)
#可理解为test data的比例为0.3
print(y_train)
#打乱了数据，乱的数据比不乱的数据更好
#现在来搞K近邻
knn = KNeighborsClassifier()
#接下来是比较经典的一幕了
knn.fit(X_train,y_train)
#把X Y放进去，他就自动帮你完成training的步骤了，这时候的knn已经是train完的了，我们来看看
#我们来看看预测的分类和实际分类吧
#预测分类：
print(knn.predict(X_test))
print(y_test)
#观察下，有一定的误差，但大概率相同哦
