大家好，今天学习了3D 数据可视化、KNN 近邻算法、数据标准化，把完整流程记录成笔记，分享给刚入门的小伙伴～

本文包含：

---

2. 加载数据

data=np.loadtxt('datingTestSet2.txt')

---

3. 按标签拆分数据

data_1=data[data[:,-1]==1]
data_2=data[data[:,-1]==2]
data_3=data[data[:,-1]==3]

---

4. 创建 3D 画布

fig=plt.figure()
ax=plt.axes(projection='3d')

---

5. 绘制 3D 散点图

ax.scatter(data_1[:,0],data_1[:,1],data_1[:,2],c='red',marker='o')
ax.scatter(data_2[:,0],data_2[:,1],data_2[:,2],c='blue',marker='^')
ax.scatter(data_3[:,0],data_3[:,1],data_3[:,2],c='green',marker='s')

---

6. 设置坐标轴（非常关键！）

ax.set(xlabel="Xaxes",ylabel="Yaxes",zlabel="Zaxes")
ax.set_xlim(0, 80000)
ax.set_ylim(0, 20)
ax.set_zlim(0, 2)

作用：

---

7. 显示图像

plt.show()

最终图像如下：

---

二、KNN 分类代码

# x=data[:,:-1]
# y=data[:,-1]
# knn=KNeighborsClassifier(n_neighbors=9)
# knn.fit(x,y)
# test1=[[43605,0.120460,1.352013],
#        [15360,8.545204,1.340429],
#        [63796,5.856649,0.160006]
#        ]
# print(knn.predict(test1))

---

三、鸢尾花数据集 KNN 完整实战

1. 导入库

import pandas as pd
from sklearn.preprocessing import scale
from sklearn.neighbors import KNeighborsClassifier

---

2. 读取 Excel 数据

train_data=pd.read_excel("鸢尾花训练数据.xlsx")
test_data=pd.read_excel("鸢尾花测试数据.xlsx")

---

3. 拆分特征和标签

train_X=train_data[['萼片长(cm)','萼片宽(cm)','花瓣长(cm)','花瓣宽(cm)']]
train_y=train_data['类型_num']

---

4. 数据标准化（非常重要！）

data=pd.DataFrame()
data['萼片长标准化']=scale(train_X['萼片长(cm)'])
data['萼片宽标准化']=scale(train_X['萼片宽(cm)'])
data['花瓣长标准化']=scale(train_X['花瓣长(cm)'])
data['花瓣宽标准化']=scale(train_X['花瓣宽(cm)'])

作用：

---

5. 构建 KNN 模型并训练

kn=KNeighborsClassifier(n_neighbors=5)
kn.fit(data,train_y)

---

6. 训练集评分

train_predicted=kn.predict(data)
score=kn.score(data,train_y)
print("训练集准确率：", score)

---

7. 测试集处理

test_X=test_data[['萼片长(cm)','萼片宽(cm)','花瓣长(cm)','花瓣宽(cm)']]
test_y=test_data['类型_num']

---

8. 测试集标准化

data_test=pd.DataFrame()
data_test['萼片长标准化']=scale(test_X['萼片长(cm)'])
data_test['萼片宽标准化']=scale(test_X['萼片宽(cm)'])
data_test['花瓣长标准化']=scale(test_X['花瓣长(cm)'])
data_test['花瓣宽标准化']=scale(test_X['花瓣宽(cm)'])

---

9. 测试集评分

test_predicted=kn.predict(data_test)
score=kn.score(data_test,test_y)
print("测试集准确率：", score)

---

五、总结

今天把 3D 可视化、数据标准化、KNN 模型、模型评分 全部跑通了，收获很大！

1.  3D 散点图绘制
2. 鸢尾花数据集 KNN 分类实战
3. 数据标准化作用与使用
4. 模型训练与评分 

   一、3D 散点图可视化

   1. 导入库

   import matplotlib.pyplot as plt
   import numpy as np
   

5. matplotlib：用来画图
6. numpy：用来加载数据、处理数据
7. 加载文本数据集
8. 数据最后一列是标签（1/2/3）
9. 把数据按分类拆成 3 组
10. 方便画不同颜色
11. 创建画布
12. 开启 3D 坐标轴
13. 三类点分别用：
    • 红色圆形
    • 蓝色三角
    • 绿色正方形
14. 视觉区分更清晰
15. 因为三个轴数据范围差距太大
16. 不限制会压扁成平面
17. 限制后才能看到真正 3D 分布
18. 提取特征和标签
19. 训练 KNN 模型
20. 输入新数据，直接预测分类
    运行结果如下：
    
21. 读取训练集 + 测试集
22. train_X：4 个特征
23. train_y：花的类型标签
24. 把数据缩放到统一范围
25. KNN 是距离算法，必须标准化！
26. K=5
27. 用标准化后的数据训练模型
28. 查看模型学习效果
29. 运行结果如下：

    

    ---

    四、今天学到的核心知识点

30. 3D 图为什么会压扁？因为三个轴数据范围差距太大，必须用 set_xlim/ylim/zlim 限制范围。

31. scale 是干嘛的？数据标准化，让不同大小的数据统一尺度。

32. KNN 必须标准化吗？必须！KNN 根据距离计算，不标准化效果很差。

33. score () 作用？直接输出模型准确率。

34. 完整机器学习流程：读取数据 → 拆分特征标签 → 数据预处理 → 训练模型 → 评估模型