回顾：葡萄酒近邻

本课属于 Coddy Machine Learning 学习旅程的“监督学习”单元。第 10 课，共 58 课。

挑战

简单

像本章第一张地图那样，为葡萄酒绘制一张地图。起始代码将 178 种葡萄酒分成不同集合（两个特征，品种编号为 0 到 2），列出 ks 并标注图表。

对两组数据进行缩放，并在训练葡萄酒数据上拟合。
打印测试准确率最高时的 k（目前如此：第 7 章会提供更公平的评估）。
使用这个 k 填充地图：网格 xx、yy，大小为 100 乘 100，两个方向的范围都是 -3 到 3，预测结果放在 zz 中。
在地图上方绘制缩放后的训练葡萄酒数据点，使用 names 中的标签；添加图例。

使用酒精和黄酮类化合物这两个特征：

Best k: 13 (test accuracy 0.956)

酒精和黄酮类化合物特征经过缩放后的葡萄酒地图：左侧是橙色区域，右上方是蓝色区域，下方是绿色区域，上面绘有各类别的训练葡萄酒数据点，并带有图例

Coddy 会描述你的地图。

亲手试试

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_wine
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import StandardScaler

# 来自三个葡萄品种的 178 款葡萄酒，类别为 0、1、2
wine = load_wine()
# 第 6 列和第 12 列: flavanoids 和脯氨酸
X = wine.data[:, [6, 12]]
y = wine.target
names = ["cultivar A", "cultivar B", "cultivar C"]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=0)
ks = range(1, 32, 2)  # k = 1, 3, 5, ..., 31

fig, ax = plt.subplots()
ax.set_title("Wine Neighbors")
ax.set_xlabel("flavanoids (scaled)")
ax.set_ylabel("proline (scaled)")

# 在下方编写你的代码