KNN算法实例——鸢尾花种类预测
线性回归的scikit-learn实现
scikit-learn中提供了一个KNeighborClassifier类来实现k近邻法分类模型
方法：
fit(X,y)：训练模型
predict：使用模型来预测，返回待预测样本的标记。
score(X,y)：返回在（X，y）上预测的准确率。
predict_proba(X)：返回样本为每种标记的概率。
kneighbors([X,n_neighbors,return_distance])：返回样本点的k近邻点。如果return_diatance=True,同时还返回到这些近邻点的距离。
kneighbors_graph([X,n_neighbors,model])：返回样本点的连接图。
导入模块：from sklearn.neighbors import KNeighborsClassifier
案例：一个简单的KNN实例
from sklearn.neighbors import KNeighborsClassifier
x=[[1],[2],[3],[4]]
y=[0,0,1,1]
estimator = KNeighborsClassifier(n_neighbors=3)
estimator.fit(x,y)
ret = estimator.predict([[2.51]])
print(ret)
ret1 = estimator.predict([[2.52]])
print(ret1)
ret2 = estimator.predict([[1.50]])
print(ret2)
结果：
案例：鸢尾花种类预测
Iris数据集是常用的分类实验数据集，由Fisher, 1936收集整理。Iris也称鸢尾花卉数据集，是一类多重变量分析的数据集。关于数据集的具体介绍：
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.datasets import load_iris,fetch_20newsgroups
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from pylab import mpl
mpl.rcParams["font.sans-serif"] = ["SimHei"]
mpl.rcParams["axes.unicode_minus"] = False
def iris_plot(data,col1,col2):
sns.lmplot(x=col1,y=col2,data=data,hue="target",fit_reg=False)
plt.title("鸢尾花数据显示")
plt.show
iris = load_iris()
iris_d = pd.DataFrame(data=iris.data,columns=['Sepal_Lenght','Sepal_Width','Petal_Length','Petal_Width'])
iris_d["target"] = iris.target
iris_plot(iris_d,'Sepal_Width','Petal_Length')
图像显示：
在现实生活问题中，我们得到的原始数据往往非常混乱、不全面，机器学习模型往往无法从中有效识别并提取信息。数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已，在采集完数据后，机器学习建模的首要步骤以及主要步骤便是数据预处理。
在此文仅展示归一化与标准化操作：
归一化：
"""
归一化演示
:return:None
"""
from sklearn.preprocessing import MinMaxScaler
data = pd.read_csv("数据文件路径")
print(data)
transfer = MinMaxScaler(feature_range=(3,5))
ret_data = transfer.fit_transform(data[["x","y","time"]])
print("归一化之后的数据为:n",ret_data)
标准化：
"""
标准化演示
:return:None
"""
from sklearn.preprocessing import StandardScaler
data = pd.read_csv("数据文件路径")
print(data)
transfer = StandardScaler()
ret_data = transfer.fit_transform(data[["x","y","time"]])
print("标准化之后的数据为:n",ret_data)
print("每一列的方差为:n",transfer.var_)
print("每一列的平均值为:n",transfer.mean_)
种类预测：import pandas as pd
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
data = load_iris
x_train,x_test,y_train,y_test = train_test_split(iris.data,iris.target,test_size=0.2,random_state=22)
transfer = StandardScaler()
x_train = transfer.fit_transform(x_train)
x_test = transfer.transform(x_test)
estimator = KNeighborsClassifier(n_neighbors=9,algorithm='kd_tree')
estimator.fit(x_train,y_train)
y_predict = estimator.predict(x_test)
print("预测结果为：n",y_predict)
print("比对真实值和预测值：n",y_predict==y_test)
评估结果：
获取准确率：
score = estimator.score(x_test,y_test)
print("准确率为：n",score)
模型的保存与加载
import joblib
joblib.dump(estimator,"路径+文件名")
estimator = joblib.load("路径+文件名")
K值调优：
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split,GridSearchCV
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
estimator = KNeighborsClassifier(n_neighbors=5)
param_grid = {"n_neighbors": [1,3,5,7]}
estimator = GridSearchCV(estimator,param_grid=param_grid,cv=5)
estimator.fit(x_train,y_train)
y_pre = estimator.predict(x_test)
print("预测值是：n",y_pre)
score = estimator.score(x_test,y_test)
print("准确率为：n",score)
print("在交叉验证中验证的最好结果：n",estimator.best_score_)
print("最好的参数模型：n",estimator.best_estimator_)
print("交叉验证后的准确率结果：n",estimator.cv_results_)
结果：
至此鸢尾花的种类预测功能已基本完成！
如有任何错误或疑问，欢迎评论区留言
相关知识
KNN算法实现鸢尾花数据集分类
【机器学习】应用KNN实现鸢尾花种类预测
KNN分类算法介绍，用KNN分类鸢尾花数据集（iris）
使用KNN算法对鸢尾花种类预测【百变AI秀】
Python实现KNN算法（鸢尾花数据）
【机器学习】KNN算法实现鸢尾花分类
Knn算法实现鸢尾花分类
Python原生代码实现KNN算法（鸢尾花数据集）
【机器学习】基于KNN算法实现鸢尾花数据集的分类
KNN鸢尾花分类
网址: KNN算法实例——鸢尾花种类预测 https://m.huajiangbk.com/newsview1842735.html
| 上一篇: 机器学习入门实战1：鸢尾花分类 |
下一篇: 【机器学习实战入门项目】基于机器 |
