1 k近邻算法api初步使用
K近邻算法介绍：https://blog.csdn.net/ZGL_cyy/article/details/125583129
- 机器学习流程复习：
- 1.获取数据集
- 2.数据基本处理
- 3.特征工程
- 4.机器学习
- 5.模型评估
2 Scikit-learn工具介绍
机器学习Sklearn数据集：https://blog.csdn.net/ZGL_cyy/article/details/125469443
- Python语言的机器学习工具
- Scikit-learn包括许多知名的机器学习算法的实现
- Scikit-learn文档完善，容易上手，丰富的API
- 目前稳定版本0.19.1
2.1 安装
pip3 install scikit-learn==0.19.1
安装好之后可以通过以下命令查看是否安装成功
import sklearn
- 注：安装scikit-learn需要Numpy, Scipy等库
2.2 Scikit-learn包含的内容
- 分类、聚类、回归
- 特征工程
- 模型选择、调优
3 K-近邻算法API
sklearn.neighbors.KNeighborsClassifier(n_neighbors=5)
- 参数介绍：
- n_neighbors：int,可选（默认= 5），k_neighbors查询默认使用的邻居数
4 案例
4.1 步骤分析
- 1.获取数据集
- 2.数据基本处理（该案例中省略）
- 3.特征工程（该案例中省略）
- 4.机器学习
- 5.模型评估（该案例中省略）
4.2 代码过程
- 步骤一：导入模块
from sklearn.neighbors import KNeighborsClassifier
- 步骤二：构造数据集
- 数据集格式一：
x = [[0], [1], [2], [3]] y = [0, 0, 1, 1]
- 数据集格式二：
特征数也就是几维计算,x是数据，y是结果
x = [[39,0,31],[3,2,65],[2,3,55],[9,38,2],[8,34,17],[5,2,57],[21,17,5],[45,2,9]] y = [0,1,2,2,2,2,1,1]
- 步骤三：机器学习 – 模型训练
# 实例化API estimator = KNeighborsClassifier(n_neighbors=1) # 使用fit方法进行训练 estimator.fit(x, y) estimator.predict([[1]]) # 数据集格式二对应的测试数据 # estimator.predict([[23,3,17]])
-完整代码
from sklearn.neighbors import KNeighborsClassifier # 1.构造数据 x = [[1], [2], [3], [4]] y = [0, 0, 1, 1] # 2.训练模型 # 2.1 实例化一个估计器对象 estimator = KNeighborsClassifier(n_neighbors=3) # 2.2 调用fit方法,进行训练 estimator.fit(x, y) # 3.数据预测 ret = estimator.predict([[2.51]]) print(ret) # 可以这样理解, x是特征值, 是dataframe形式理解为二维的[[]], # y表示的目标值, 可以表示为series, 表示为一维数组[] ret1 = estimator.predict([[-1]]) print(ret1)
运行结果
5 小结
- sklearn的优势:
- 文档多,且规范
- 包含的算法多
- 实现起来容易
- knn中的api
- sklearn.neighbors.KNeighborsClassifier(n_neighbors=5)
