KNN结合项目.zip_KNN 分类_knn matlab_matlab

import xlrd import numpy as np from openpyxl import load_workbook from sklearn.neighbors import KNeighborsRegressor import matplotlib.pyplot as plt wb = load_workbook(filename=r'D:\pyreadexcel\predictPM25wet.xlsx') ##读取名字为Sheet1的sheet表 table = wb.get_sheet_by_name("Sheet1") arr1 = [] arr2 = [] ## 遍历第2行到10000行 for row_A in range(2, 296): ## 遍历第2行到10000行，第1列 a1 = table.cell(row=row_A, column=1).value ## 遍历第2行到10000行，第3列 a2 = table.cell(row=row_A, column=2).value if a1: # 写入数组1 arr1.append([a1]) if a2: # 写入数组2 arr2.append(a2) #arr1 = np.transpose(arr1) #X = np.transpose(X) #使用KNN算法进行回归拟合 #选取最近的5个样本决定这个事物属于哪类 k = 5 knn = KNeighborsRegressor(k) #使用X作为训练数据并将y作为目标值来拟合模型 knn.fit(arr1, arr2); # 生成足够密集的点并进行预测 #生成了一个一维500个数字的数组[:,np.newaxis]将数组转成500行1列的矩阵 T = np.linspace(0, 180, 1000000)[:, np.newaxis] y_pred = knn.predict(T) knn.score(arr1, arr2) # 画出拟合曲线 #画图之前首先设置figure对象，此函数相当于设置一块自定义大小的画布， # 使得后面的图形输出在这块规定了大小的画布上，其中参数figsize设置画布大小 dpi每英寸点数 plt.figure(figsize=(16, 10), dpi=144) plt.scatter(arr1, arr2, c='g', label='data', s=100) # 画出训练样本 plt.plot(T, y_pred, c='k', label='prediction', lw=4) # 画出拟合曲线 plt.axis('tight') plt.title("KNeighborsRegressor (k = %i)" % k) plt.show()