首页 / 算法 / 机器学习 KNN算法实现 （鸢尾花）
机器学习 KNN算法实现 （鸢尾花）
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了机器学习 KNN算法实现 （鸢尾花），小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含1845字，纯文字阅读大概需要3分钟。
内容图文
frame 是Pandas的dataframe对象
alpha 图像透明度
figsize 英寸为单位的图像大小
diagonal 只能在{‘hist‘,‘kde‘}中选一个 hist表示直方图 kde表示核密度估计
这个参数是scatter_matrix的关键参数
marker 是标记类型，如圈，点，三角号
代码
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
iris_dataset=load_iris()
X_train,X_test,y_train,y_test=train_test_split(iris_dataset[‘data‘],iris_dataset[‘target‘],random_state=2)
#print("X_train",X_train)
#print("y_train",y_train)
#print("X_test",X_test)
#print("y_test",y_test)
#print("X_train shape: {}".format(X_train.shape))
#print("X_test shape: {}".format(X_test.shape))import pandas as pd
import matplotlib.pyplot as plt
iris_dataframe=pd.DataFrame(X_train,columns=iris_dataset.feature_names)
pd.plotting.scatter_matrix(iris_dataframe,c=y_train,figsize=(15,15),marker=‘o‘,hist_kwds={‘bins‘:20},s=60,alpha=.8)
plt.show()
其中在 jupyter notebook里是不需要import matplotlib.pyplot 就可以显示图像
但是在VScode里必须 加这句
从中可以看出 比如 special width 和 special length 之间的关系比较杂乱
我们在训练模型时要优先选择关系明显的特征对进行学习
n_neighbors 表示近邻数量
weights 计算距离时的权重 缺省值是uniform 表示平均权重
distance表示距离远近设置不同的权重
metric 是距离的计算 缺省值是 minkowski 闵氏距离
显然当P=2即为欧氏距离
P=1即为曼哈顿距离
from sklearn import datasets
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split
iris=datasets.load_iris()
print("数据集结构：",iris.data.shape)
#获取属性
iris_X=iris.data
#获取类别
iris_y=iris.target
#划分数据集和训练集
iris_train_X,iris_test_X,iris_train_y,iris_test_y=train_test_split(iris_X,iris_y,test_size=0.2,random_state=0)
#分类器初始化,参数默认
knn=KNeighborsClassifier()
#对训练集进行训练knn.fit(iris_train_X,iris_train_y)
#对测试集数据的鸢尾花类型进行预测
predict_result=knn.predict(iris_test_X)
print("测试集大小：",iris_test_X.shape)
print("真实结果：",iris_test_y)
print("预测结果：",predict_result)
#显示预测结果准确率print("预测准确率",knn.score(iris_test_X,iris_test_y))
原文：https://www.cnblogs.com/fengzhiyuan/p/14729135.html
内容总结
以上是互联网集市为您收集整理的机器学习 KNN算法实现 （鸢尾花）全部内容，希望文章能够帮你解决机器学习 KNN算法实现 （鸢尾花）所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。