修改预测函数

修改预测函数
def predict_math(X, xtrain, ytrain):

  # 求L2距离
  distances = [sqrt(np.sum((X_train - X) ** 2)) for X_train in xtrain]
  # 对数组进行排序，返回的是值的索引值
  nearest = np.argsort(distances)
  # 取出前3个离得最近的点的标签
  k = 3
  topK_y = [ytrain[i] for i in nearest[:k]]
  # 计数，取到键值对。键：标签；值：个数
  votes = Counter(topK_y)
  # 在键值对中值最多的键
  print(votes.most_common(1)[0][0])

  # 得到最接近的3个点的索引值
  k = 3
  topK_X = nearest[:k]
  for i in range(3):
       # 绘制预测点与最接近的3个点连成的直线
       plt.plot([X[0], xtrain[topK_X[i]][0]], [X[1], xtrain[topK_X[i]][1]])
       # 绘制预测点与最接近的3个点之间的长度
       plt.annotate("%s"%round(distances[topK_X[i]], 2),
                          xy=((X[0] + xtrain[topK_X[i]][0]) / 2,(X[1] + 

xtrain[topK_X[i]][1]) / 2))
plt.xlabel('x轴')
plt.ylabel('y轴')
plt.scatter(x_train[y_train == 0, 0], x_train[y_train == 0, 1], marker="*")
plt.scatter(x_train[y_train == 1, 0], x_train[y_train == 1, 1], marker="^")
plt.scatter(x_train[y_train == 2, 0], x_train[y_train == 2, 1], marker="s")
plt.scatter(x_test[0], x_test[1], marker="o")
plt.show()
在输出所属类别的基础上绘制预测点与最接近的3个点连成的直线，并标出它们的距离，KNN结果如图所示。

KNN结果