K-近邻算法的 sklearn 实现

1. 实验目的与要求
   1. 掌握基于 K-近邻分类算法的编程方法
   2. 通过编程理解 K-近邻分类算法和该算法的基本步骤
      
      
2. 实验器材
   1. 硬件：PC 机（参与实验的学生每人一台）
   2. 软件环境：Python3.7 + Pycharm
      
      
3. 实验内容
   1. 使用 sklearn 库中的 neighbors 模块实现 K-近邻算法，并对二手房样本所
      属类别进行预测，程序流程为：
      (1) 导入 sklearn 库中的 K-近邻算法模块(KNeighborsClassifier)，数据集分割模块(train_test_split)以及机器学习准确率评估模块(metrics)
      (2) 读取数据，并分割成特征属性集和类别集
      (3) 将数据集分割成训练集和测试集
      (4) 构建模型
      (5) 利用循环语句，k 值取 1-8 分别训练模型以确定最优 k 值
      (6) 使用最优 k 值训练模型并对新样本[7，27]和[2，4]的类别进行预测
      (7) 使用测试集对模型进行测试
      (8) 预测新样本类别
      (9) 绘制分类边界图
      
      
4. 数据集下载
   本实验的数据集可以点击此处去下载
   
   
5. 代码实现

# coding = utf-8
# 导入必要的库
import numpy as np
import matplotlib.pyplot as plt
from sklearn.neighbors import KNeighborsClassifier
from sklearn import metrics  #引入机器学习的准确率评估模
from sklearn.model_selection import train_test_split  #数据分割模块
from sklearn.model_selection import cross_val_score  #交叉验证模块

# 导入数据
X1,y1=[],[]
fr = open('./knn.txt')
for line in fr.readlines():
    lineArr = line.strip().split()
    X1