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

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