Python中K近邻点模型的介绍及案例的Python代码分析

  案例数据集来源于UCI网站。案例是基于美国统计局的人口普查资料数据。案例的目标是希望利用这些数据来预测年收入大于5万美元的家庭。该数据集内包含48842条记录和14个特征变量，包括1个分类变量。变量包括类别型，字母型，和数值型。 

  K近邻点分类算法是机器学习领域中的一个基础且非常重要的算法。K近邻点算法是一种基于实例的算法，就是把所有训练样本储存起来（形成记忆）。当我们对一个新纪录进行预测时，就将新记录与记忆中的记录进行比较，找到最接近（或最类似）新记录的K条记录，然后通过分类规则来确定该新记录所属的类别。Python的优势在于开源，基于Python的各类机器学习算法非常丰富而且方便使用。我们将以美国统计局的人口普查资料数据案例数据集为一个点的同时，讨论 K近邻点分类算法的原理，及其在Python中的算法，并用他们来解决案例的预测分类。

 本案例的特点是将家庭收入预测问题的解决方案与机器学习中的K近邻点分类算法进行结合，并利用Python设计一个自动分类的预测算法来对案例数据集进行学习并辅助我们进行决策。这三者的结合就是智能金融在金融行业的一种经典应用。 

  通过案例学习后，如果学生能够独立完成作业，学生将能达到以下预期目标：

1. 能够处理一个金融问题的数据集；

2. 金融数据的标准化处理；

3.  K近邻点分类模型的选择和应用；

4. 用K近邻点分类模型进行预测；

5. 对K近邻点模型进行评估。

6. 学生将获得本案例的Python源代码。