基于sklearn K临近算法 最简单预测 花的种类

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基于sklearn K临近算法 最简单预测 花的种类，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1847字，纯文字阅读大概需要3分钟。

内容图文

因为注释已经很详细了，所以直接上代码：

 1 from sklearn.datasets import load_iris
 2 from sklearn.model_selection import train_test_split
 3 #k临近算法
 4 from sklearn.neighbors import KNeighborsClassifier
 5 import numpy as np
 6 import pandas as pd
 7 def get数据():
 8     iris_dataset=load_iris()
 9     print("keys:\n{}".format(iris_dataset.keys()))
10     print("预测花的品种\n:{}".format(iris_dataset['target_names']))
11     '''['data', 'target', 'target_names', 'DESCR', 'feature_names', 'filename']'''
12 
13     '''机器学习中的个体叫作样本（sample），其属性叫作特征（feature）。data数组的形状（shape）是样本数乘以特征数。这是scikit-learn中的约定，你的数据形状应始终遵循这个约定'''
14 
15     ''':['setosa' 'versicolor' 'virginica']'''
16     print(iris_dataset['target'])
17 
18 if __name__ =='__main__':
19     '''数据'''
20     iris_dataset=load_iris()
21     X_train,X_test,y_train,y_test=train_test_split(
22         iris_dataset['data'],iris_dataset['target'],random_state=0)
23     print("X_train shapr:",X_train.shape)
24 
25 
26     #运用pandas将Numpy数组转成pandas DataFrame
27     #iris_dataframe=pd.DataFrame(X_train,columns=iris_dataset.feature_names)
28     #绘制散点图
29     #grr=pd.scatter_matrix(iris_dataframe,c=y_train,figsize=(15,15),marker='o',hist_kwds={'bins':20},s=60,alpha=8,cmap=mglearn.cm3)
30 
31     '''K临近算法 ,其中只包括训练集 '''
32     knn=KNeighborsClassifier(n_neighbors=1)
33     '''构建模型'''
34     knn.fit(X_train,y_train)
35     '''做出预测  1,4'''
36     X_new=np.array([[5,2.9,1,0.2]])
37     prediction=knn.predict(X_new)
38     print("预测结果：\n{}".format(prediction))
39     print("预测名字：\n{}".format(iris_dataset['target_names'][prediction]))
40 
41     '''计算精度（评估模型 对比）'''
42     y_pred=knn.predict(X_test)
43     index=np.mean(y_pred==y_test)
44     print("相似度：{:.2f}".format(index))
45     '''knn对象计算'''
46     indexa=knn.score(X_test,y_test)
47     print(indexa)

 

内容总结

以上是互联网集市为您收集整理的基于sklearn K临近算法 最简单预测 花的种类全部内容，希望文章能够帮你解决基于sklearn K临近算法 最简单预测 花的种类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

---