一：作业题目：鸢尾花的KNN算法重构
KNN算法又称为K近邻算法，K的含义是指考虑训练集中与新数据点最近的任意K个邻居（比如说，距离新数据点最近的3个或5个邻居），而不是只考虑距离新数据点最近的那一个。然后，我们可以利用这些邻居中数量最多的类分别作出预测。
二：算法设计：
（1）：KNN算法的原理：
如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。通俗地说便是：近朱者赤，近墨者黑。（2）：具体过程：
①：计算任意两点间距离：即计算出给定测试对象与测试集中每个对象的距离，也就是计算多维数组间的距离。
②：在众多邻居中找出最近邻：计算出测试对象与测试集中每个对象的距离后，对距离进行排序并从中找出距离最近的k个对象。
③：对k个近邻进行分类：
（1）：使用恰当的数据集：此次我们使用scikit-learn的datasets模块中的鸢尾花（Iris）数据集，我们可以调用load_iris函数来进行数据的加载。
（2）衡量模型是否成功：训练集与测试集的划分：为测定模型是否有效，我们将收集好的带标签数据分为两部分，一部分数据作为训练数据用于构建机器学习模型；另一部分数据作测试数据用于评估模型性能；在对数据进行拆分之前，先利用伪随机数生成器将数据集打乱。给伪随机数设立随机种子random.seed(0)，使得每次切割的数据集一致。其中训练集占75%，测试集占25%；
定义函数：splitDateSets（），默认训练集的比例为0.75
返回值为X_train，Y_train，y_test和y_test。
（3）K取值的确定以及K算法的实现：
主要包括KNN训练以及KNN模型精度的计算，既包括利用训练数据构建模型的算法，亦包括对新数据点进行预测的算法，并且还包括从训练集中所提取的信息。
构建模型只需对训练数据加以保存，若想做到预测新数据点，需要在训练数据集中找到最近的数据点作为最近邻。
（4）最终分类决策时确定样本类别的方法如何选择；④：两点间距离的计算：又称欧几里得距离，二维空间中任意两点间距离计算公式为：d=√((X-X1)2+〖(Y-Y1)〗2 )
三：有注释的源代码：
（1）：加载数据集，生成随机数列：
（2）：分割数据集为：75%训练集和25%测试集
（3）：预测功能的实现：
（4）：KNN评估模型的建立：
（5）：主函数；输出预测结果：
四：测试用例设计以及调试过程截屏：
（1）测试用例设计：
（2）：调试过程：
：评估模型的调试
生成随机数列功能的调试
：预测功能实现的调试
五：总结：
通过此次作业我得以将KNN算法进行再次的
复习和熟悉，由于不能对库中的函数进行调用，就要求我们必须对KNN算法的每一步骤及其功能都要非常的熟悉。此次作业难就难在：首先对于第一次接触Python的人来说，利用编程语言来叙述一个算法的流程是有难度的，如果基础不够扎实只能边写边查，但是这样的做法显然十分浪费时间，因此极易使人产生挫败感。
对于split()函数，课本及其他书籍中均调用sciket-learn中的函数时使用过一个种子数，使得它能够每次生成相同的序列。而使用permutation()每次的执行结果都是不同的。这里应当改进下，可以使用Python中的集合或者列表及推导式，集合的内部实现保证了元素不重复。
