KNN分类算法，又叫K近邻算法，它概念极其简单，但效果又很优秀。
如觉得有帮助请点赞关注收藏啦~~~
KNN算法的核心是，如果一个样本在特征空间中的K个最相似，即特征空间中最邻近的样本中的大多数属于某一个类别，则该样本也属于这个类别
1：K值
K值也就是选择几个相邻的作为测量
2：距离的度量
距离决定了哪些是邻居哪些不是，度量距离有很多种方法，常用的是欧式距离
1：查看数据 使用鸢尾花数据集 由sklearn模块导入
from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.neighbors import KNeighborsClassifier from sklearn import datasets import matplotlib.pyplot as plt import matplotlib; matplotlib.use('TkAgg') import pandas as pd print("数据集的keys",iris_dataset.keys()) print("特征名",iris_dataset['feature_names']) print("数据类型",type(iris_dataset['data'])) print("数据维度",iris_dataset['data'].shape) print("标记名",iris_dataset['target_names'])
2:使用散点矩阵查看数据特征关系
代码如下 绘图并且划分数据集与训练集
from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.neighbors import KNeighborsClassifier from sklearn import datasets import matplotlib.pyplot as plt import matplotlib; matplotlib.use('TkAgg') import pandas as pd iris_dataset=load_iris() train_x,test_x,train_y,test_y=train_test_split(iris_dataset['data'],iris_dataset['target'],random_state=2) print('trainx\n',train_x) print('trainy\n',train_y) print('testx\n',test_x) print('testy\n',test_y) print(test_x.shape) print(test_x.shape) irisdataframe=pd.DataFrame(train_x,columns=iris_dataset.feature_names) pd.plotting.scatter_matrix(irisdataframe,c=train_y,figsize=(15,15),marker='o',hist_kwds={'bins':20},s=60,alpha=0.8) plt.show()
3：建立KNN模型进行预测
python中实现KNN方法使用的是KNeighborsClassifier类
核心操作分三步
3.1：创建KNeighborsClassifier对象 并进行初始化
3.2：调用fit（）方法 对数据集进行训练
fit(x,y)以x为训练集 y为测试及对模型进行训练
3.3：调用predict函数进行预测
源代码如下
from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.neighbors import KNeighborsClassifier from sklearn import datasets import matplotlib.pyplot as plt import matplotlib; matplotlib.use('TkAgg') import pandas as pd iris_dataset=load_iris() iris=datasets.load_iris() print("数据集结构",iris.data.shape) iris_x=iris.data iris_y=iris.target 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) knn=KNeighborsClassifier() knn.fit(iris_train_x,iris_train_y) predictresult=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",predictresult) print("预测精确率",knn.score(iris_test_x,iris_test_y))
