机器学习(K近邻算法代码实现 回归)

本文详细介绍了如何使用K近邻算法进行回归预测,包括数据导入与预处理、标准化与归一化、训练集与测试集的生成、模型训练及预测值与真实值的比较评价。通过示例展示了KNeighborsRegressor的使用,并计算了预测误差(RMSE)。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

K近邻算法进行回归预测一般步骤

1 数据的导入与预处理

2 数据的标准化与归一化

3 生成训练集和测试集

4 利用训练集进行训练,导入测试集得出预测值

5 真实值与与测试值进行比较评价

import csv
import numpy as np
import pandas as pd
from sklearn.preprocessing import StandardScaler

#数据导入与预处理
food_info = pd.read_csv("food_info.csv")
food0_info = food_info.dropna()
food1_info = food0_info.drop(["NDB_No","Shrt_Desc"],axis = 1)

#数据标准化或者归一化
colunm = food1_info.columns
food1_info[column] = StandardScaler().fit_transform(food1_info[column])
food1_info.head()

#训练集与测试集
norm_train_df = food1_info.copy().iloc[:2573]
norm_text_df = food1_info.copy().iloc[2573:]

# 导入K近邻算法的回归类
from sklearn.neighbors import KNeighborsRegressor
columns = column[1:]
#实例化
knn = KNeighborsRegressor()
#导入测试集的标签值与属性值,knn.fit(norm_train

### K近邻算法机器学习中的应用 #### K近邻算法简介 K近邻算法(K-Nearest Neighbors Algorithm),简称KNN,是一种简单却强大的监督学习算法,广泛应用于分类和回归任务中。此算法通过计算新数据点与其训练集中最接近的K个邻居的距离来进行预测;对于分类问题采用多数表决原则决定类别归属,而对于回归问题则取这些邻居目标变量值的平均作为预测结果[^1]。 #### 应用场景概述 由于其直观性和灵活性,K近邻算法能够处理多种类型的数据集并适应不同类型的业务需求。无论是图像识别还是推荐系统等领域都能见到它的身影。尤其当面对少量标注样本时表现尤为出色,因为不需要复杂的参数调整就能获得不错的效果[^2]。 #### Python代码示例:分类任务 下面给出一段利用`scikit-learn`库实现K近邻分类器的例子: ```python from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.neighbors import KNeighborsClassifier from sklearn.metrics import accuracy_score # 加载鸢尾花数据集 data = load_iris() X, y = data.data, data.target # 划分训练集与测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3) # 创建KNN分类器对象,并指定k值为5 clf = KNeighborsClassifier(n_neighbors=5) # 训练模型 clf.fit(X_train, y_train) # 预测标签 y_pred = clf.predict(X_test) # 输出准确率 print(f"Accuracy: {accuracy_score(y_test, y_pred):.4f}") ``` 这段程序展示了如何加载经典鸢尾花数据集、划分训练/验证集合以及构建一个简单的KNN分类器完成物种预测的任务。 #### Python代码示例:回归任务 针对回归分析的需求,这里也提供了一个基于波士顿房价数据集的小例子说明怎样运用K近邻回归模型进行数值型输出变量的估计: ```python import numpy as np import matplotlib.pyplot as plt from sklearn.datasets import fetch_openml from sklearn.preprocessing import StandardScaler from sklearn.model_selection import train_test_split from sklearn.neighbors import KNeighborsRegressor from sklearn.metrics import mean_squared_error # 获取波士顿房价数据集 (注意实际使用时应考虑版本差异) boston = fetch_openml(name="house_prices", version=1, as_frame=True).frame[['RM', 'MEDV']] X = boston.drop(columns=['MEDV']).values.reshape(-1, 1) # 特征列 y = boston['MEDV'].values # 目标列 # 数据标准化预处理 scaler = StandardScaler().fit(X) X_scaled = scaler.transform(X) # 切割成训练组跟测试组 X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, random_state=42) # 构建KNN回归器实例化对象设置n_neighbors参数等于4 regressor = KNeighborsRegressor(n_neighbors=4) # 对训练数据拟合 regressor.fit(X_train, y_train) # 测试集上做预测 predictions = regressor.predict(X_test) # 打印均方误差评估指标 mse_value = mean_squared_error(y_test, predictions) print(f'Mean Squared Error on Test Set is {mse_value:.4f}') # 绘制真实值对比图 indices = range(len(predictions)) plt.figure(figsize=(8,6), dpi=100) plt.plot(indices, y_test, color='red', linestyle='-', marker='', label='True Values') plt.plot(indices, predictions, color='blue', linestyle='--', marker='', label='Predicted Values') plt.title('Comparison Between True and Predicted House Prices Using KNN Regressor') plt.xlabel('Index of Samples') plt.ylabel('Median Value ($1000s)') plt.legend() plt.show(); ``` 上述脚本首先准备好了必要的输入特征向量及其对应的响应变量之后,接着进行了标准缩放变换以确保各维度间尺度一致从而不影响后续距离测量准确性;最后借助于matplotlib可视化工具包绘制出了原始观测值同由KNN回归得到的结果之间的比较曲线图以便更直观地理解二者之间关系[^4]。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值