右击Ubuntu操作系统桌面，从弹出菜单中选择【OpeninTerminal】命令打开终端。
通过【cd/home】切换到home目录下。【ls】查看该目录下的所有内容。如图1所示。
【mkdirKNN】在home目录下创建KNN文件夹。如图2所示。
步骤2、数据解析
【cdKNN】切换目录，【cp/home/soft/KNN/datingTestSet.txt/home/KNN/】将数据集复制到该目录下，【head-n10datingTestSet.txt】查看前十行的数据。如图3所示。
【vimkNN_date.py】回车后创建并编辑名为kNN_date的Python文件。如图4所示。
回车后进入编辑框内，按键盘【i】进入编辑状态，编译如下程序。如图5所示。
对数据进行解析，将数据分类成两部分，既特征矩阵和对应的分类标签。
在main方法内定义文件信息，调用处理数据的方法，将方法返回的特征矩阵和分类标签打印。如图6所示。
编辑完毕后，按【esc】退出编辑状态，【:wq】保存并退出编辑框，【pythonkNN_date.py】执行kNN_date的Python文件。如图7所示。
步骤3、数据归一化
约会网站样本数据。如图8所示。
想要计算样本3和样本4之间的距离，可以使用欧拉公式计算。如图9所示。
在计算中发现数字差值最大的属性对计算结果的影响最大。在处理这种不同取值范围的特征值时，采用的方法是将数值归一化。将取值范围处理为0到1或者-1到1之间。公式为：newValue=(oldValue-min)/(max-min)
再次进入kNN_date.py文件编辑状态，修改程序。如图10所示。
以数据矩阵为参数根据公式求出数值归一化的特征矩阵、数据范围、最小值。
在main内调用归一化的方法，并将数据处理后得到的数据矩阵作为参数，输出数值归一化的特征矩阵、数据范围、最小值。如图11所示。
编辑完毕后，按【esc】退出编辑状态，【:wq】保存并退出编辑框，【pythonkNN_date.py】执行kNN_date的Python文件。如图12所示。
控制台分别打印归一化后的特征矩阵、数据范围、最小值
步骤4、验证分类器
机器学习算法最重要的工作就是评估算法的正确率，通常提供已有数据的90%作为训练样本来训练分类器，10%数据测试分类器。
再次进入kNN_date.py文件编辑状态，修改程序。如图13所示。
创建分类器(导入运算符模块【importoperator】)。
测试分类器，90%作为训练集，10%作为测试集。如图14所示。
在main内调用测试分类器的方法。如图15所示。
编辑完毕后，按【esc】退出编辑状态，【:wq】保存并退出编辑框，【pythonkNN_date.py】执行kNN_date的Python文件。如图16所示。
根据结果得知错误率是3%。是一个在可以接受的范围之类。
步骤5、构建系统
给西普一个程序，通过该程序西普在约会网站找到并输入某个人的信息。程序会判断出对该男生的预测值。
再次进入kNN_date.py文件编辑状态，修改程序。如图17所示。
在main方法内调用classifyPerson()方法。
编辑完毕后，按【esc】退出编辑状态，【:wq】保存并退出编辑框，【pythonkNN_date.py】执行kNN_date的Python文件。如图18所示。