首页 > 分享 > 机器学习算法

机器学习算法

花匠小妙招
2024-08-23 23:39

文章目录 1.8 案例：鸢尾花种类预测—流程实现学习目标1 再识K-近邻算法API2 案例：鸢尾花种类预测2.1 数据集介绍2.2 步骤分析2.3 代码过程 3 总结

本文代码

1.8 案例：鸢尾花种类预测—流程实现

学习目标

目标知道KNeighborsClassifier的用法

1 再识K-近邻算法API

sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm=‘auto’) n_neighbors： int,可选（默认= 5），k_neighbors查询默认使用的邻居数 algorithm：{‘auto’，‘ball_tree’，‘kd_tree’，‘brute’} 快速k近邻搜索算法，默认参数为auto，可以理解为算法自己决定合适的搜索算法。除此之外，用户也可以自己指定搜索算法ball_tree、kd_tree、brute方法进行搜索， brute是蛮力搜索，也就是线性扫描，当训练集很大时，计算非常耗时。kd_tree，构造kd树存储数据以便对其进行快速检索的树形数据结构，kd树也就是数据结构中的二叉树。以中值切分构造的树，每个结点是一个超矩形，在维数小于20时效率高。ball tree是为了克服kd树高维失效而发明的，其构造过程是以质心C和半径r分割样本空间，每个节点是一个超球体。

2 案例：鸢尾花种类预测

2.1 数据集介绍

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：
在这里插入图片描述

2.2 步骤分析 1.获取数据集2.数据基本处理3.特征工程4.机器学习(模型训练)5.模型评估 2.3 代码过程导入模块

from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.neighbors import KNeighborsClassifier 1234 先从sklearn当中获取数据集，然后进行数据集的分割

# 1.获取数据集 iris = load_iris() # 2.数据基本处理 # x_train,x_test,y_train,y_test为训练集特征值、测试集特征值、训练集目标值、测试集目标值 x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=22) 123456 进行数据标准化特征值的标准化

# 3、特征工程：标准化 transfer = StandardScaler() x_train = transfer.fit_transform(x_train) x_test = transfer.transform(x_test) 1234 模型进行训练预测

# 4、机器学习(模型训练) estimator = KNeighborsClassifier(n_neighbors=9) estimator.fit(x_train, y_train) # 5、模型评估 # 方法1：比对真实值和预测值 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) # 方法2：直接计算准确率 score = estimator.score(x_test, y_test) print("准确率为：n", score) 1234567891011

3 总结

KNeighborsClassifier的使用【知道】 sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm=‘auto’) algorithm（auto,ball_tree, kd_tree, brute） – 选择什么样的算法进行计算