鸢尾花分类_K近邻(分类通用数据挖掘入门与实践-实验4)

柳家山头号矿工

于 2022-03-21 19:54:39 发布

阅读量155

点赞数

分类专栏：数据挖掘实验文章标签：分类算法 k-means

本文链接：https://blog.youkuaiyun.com/dc12499574/article/details/123644268

版权

数据挖掘实验专栏收录该内容

11 篇文章

订阅专栏

该博客介绍了如何使用Python的sklearn库对鸢尾花数据集进行预处理、模型训练和评估。首先，数据经过归一化处理，然后采用KNN分类器进行模型构建。通过两种方法展示了模型的应用：直接训练与测试，以及使用流水线进行交叉验证。最终，两种方法都计算并打印了模型的准确率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

效果

代码

from sklearn.datasets import load_iris
import numpy as np

#获取数据集
dataset=load_iris()
X=dataset.data
Y=dataset.target

#数据转换
X=np.array(X,dtype='float')
Y=np.array(Y,dtype='int')

#方法1
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import MinMaxScaler

#数据归一化
X_transformed=MinMaxScaler().fit_transform(X)

#数据集分割
X_train, X_test, Y_train, Y_test=train_test_split(X_transformed, Y, random_state=14) 

#模型训练
estimator=KNeighborsClassifier()
estimator.fit(X_train,Y_train)

#模型测试
Y_predicted=estimator.predict(X_test)
accuracy=np.mean(Y_test==Y_predicted)*100
print("方法1:The accuracy is {0:.1f}%".format(accuracy))


#方法2:流水线
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import MinMaxScaler
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import cross_val_score

#归一化
Scale=MinMaxScaler()

#模型选择
Predict=KNeighborsClassifier()
scaling_pipeline=Pipeline([('scale',Scale),('predict',Predict)])

#模型交叉验证
scores=cross_val_score(scaling_pipeline, X, Y, scoring="accuracy")
accuracy=np.mean(scores)*100
print("方法2:The accuracy is {0:.1f}%".format(accuracy))