K近邻算法——sklearn：划分数据集

目前我们训练数据的过程：将所有的数据都作为训练数据，训练出一个模型，每当得到一个新的数据，则计算新数据到训练数据的距离，预测得到新数据的类别。
比如：银行发放信用卡，银行要想得到客户的信用等级，需要跟踪用户两三年时间来收集用户信息，才能得到，如果我们将两三年的数据全部作为训练集，当新客户来临时，我们又需要等待两三年，才能知道新用户的真实label，所以在短期内很难根据真实label判断模型好坏，进而无法改进模型。
将所有数据集全部用于训练，这种做法是不可取的。
那我们该怎么做呢？
将数据中的70%-80%作为训练数据，将剩余的作为测试数据，训练数据用于训练模型，测试数据用于判断模型好坏。
将数据集进行切分，可以用 sklearn 中的 train_test_split()方法。

import numpy as np
from collections import Counter

from sklearn.neighbors import KNeighborsClassifier

class ProKNNClassif

K近邻算法——sklearn：划分数据集最先出现在Python成神之路。