k-近邻算法（kNN）测试算法：作为完整程序验证分类器

 #测试算法：作为完整程序验证分类器
 def datingClassTest():
     hoRatio = 0.10  #设置测试集比重，前10%作为测试集，后90%作为训练集
     datingDataMat,datingLabels = file2matrix('datingTestSet.txt')
     normMat, ranges, minVals = autoNorm(datingDataMat)
     m = normMat.shape[0]    #得到样本数量m
     numTestVecs = int(m*hoRatio)    #得到测试集最后一个样本的位置
     errorCount = 0.0    #初始化定义错误个数为0
     for i in range(numTestVecs):
         #测试集中元素逐一放进分类器测试，k = 3
         classifierResult = classify0(normMat[i,:],normMat[numTestVecs:m,:],datingLabels[numTestVecs:m],3)
         #输出分类结果与实际label
         print("the classifier came back with: %d, the real answer is: %d"% (classifierResult, datingLabels[i]))
         #若预测结果与实际label不同，则errorCount+1
         if (classifierResult !=datingLabels[i]): errorCount += 1.0
         #输出错误率 = 错误的个数 / 总样本个数
         print("the total error rate is: %f" % (errorCount/float(numTestVecs)))

输入命令：kNN.datingClassTest()