Python实现KNN算法--iris数据集

最新推荐文章于 2025-05-26 21:46:12 发布

原创最新推荐文章于 2025-05-26 21:46:12 发布 · 3.5k 阅读

23 ·

CC 4.0 BY-SA版权

文章标签：

#KNN #Python #分类算法

机器学习算法专栏收录该内容

6 篇文章

订阅专栏

本文详细介绍了如何使用Python代码实现KNN算法，并通过鸢尾花数据集进行训练和测试的过程。包括数据加载、划分、算法实现及准确性评估。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在本文中，通过python实现KNN算法，而非简单的调用sklearn库，并通过iris鸢尾花数据集进行训练和测试。
详情参见以下代码：

if __name__ == '__main__':
    trainX, trainY, testX, testY=loadSplitDataSet()
    preY=KNN(testX)
    evaluateKNN()

#下载iris鸢尾花数据集
# 和切分数据集为训练集和测试集
# 训练集：trainX、trainY；
# 测试集：testX、testY；
def loadSplitDataSet():
    #随机生成训练集和测试集 不能确定比例
    iris = datasets.load_iris()
    randArray=np.random.randint(2,size=len(iris.data))
    print(len(randArray))
    trainX = iris.data[randArray==0]
    trainY=iris.target[randArray==0]
    testX = iris.data[randArray == 1]
    testY=iris.target[randArray == 1]
    return trainX, trainY, testX, testY

def loadSplitDataSet(rate=0.8):
    iris = datasets.load_iris()
    #确定训练集和测试集的比例
    shuffleIndex=np.random.permutation(len(iris.data))
    trainSize=int(rate * len(iris.data))
    trainX= iris.data[shuffleIndex[:trainSize]]
    trainY=iris.target[shuffleIndex[:trainSize]]
    testX= iris.data[shuffleIndex[trainSize:]]
    testY = iris.target[shuffleIndex[trainSize:]]
    return trainX, trainY, testX, testY

#KNN算法实现
#testX为测试样本及
# k为邻近的样本点数量
def KNN(testX,k=5):
    predY = []
    for x in testX:
        # 计算样本点训练集的欧氏距离
        distance = [np.sqrt(np.sum(np.power(x_train - x, 2))) for x_train in trainX]
        # 从小到大排序，每个数的索引位置
        indexSort = np.argsort(distance)
        # 获得距离样本点最近的K个点的标记值y
        nearK_y = [trainY[i] for i in indexSort[:k]]
        # 统计邻近K个点标记值的数量
        cntY = Counter(nearK_y)
        # 返回标记值最多的那个标记
        y_predict = cntY.most_common(1)[0][0]
        predY.append(y_predict)
    return predY

#计算测试的准确率
def evaluateKNN():
    cnt = np.sum(preY == testY)
    acc=np.divide(cnt,len(testX))
    print("the accurate of knn:",round(acc,4))