机器学习第三课（sklearn接口）_pythonsklearn接口调用-优快云博客

本文链接：https://blog.youkuaiyun.com/httpsssss/article/details/131506214

文章介绍了如何利用Python的sklearn库实现KNN(K-NearestNeighbors)算法，包括数据准备、模型实例化、训练与预测过程，并提到了k值选择的重要性，建议采用交叉验证方法来确定合适的k值。此外，还展示了在电影类型预测问题上的应用例子。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、sklearn基本知识

中文官网
 英文官网
在这里插入图片描述

注意：sklearn第三方模块的安装要用pip install scikit-learn

from sklearn.neighbors import KNeighborsClassifier
# 1 准备数据
# 训练集的特征数据 2维
x = [[-2],[-1],[2],[3],[4]]
# 训练集的目标数据 1维
y = [0,0,1,1,1]
# 预测数据 2维
z = [[1]]

# 2 调用接口
# 实例化对象 
# weights = "distance" 表示位置权重，即距离越近，权重越高
res = KNeighborsClassifier(n_neighbors=2,weights = "distance")
# 训练数据
res.fi t(x,y)
# 预测数据
res.predict(z)

二、调用sklearn接口实现KNN算法

问题：完成前面讲的预测电影类型

from sklearn.neighbors import KNeighborsClassifier
import pandas as pd
# 1 获取数据
mv_data = pd.read_excel("电影数据.xlsx",sheet_name="Sheet1")
# 测试集的特征数据 注意：这里需要转换成array类型
feature_test = mv_data.loc[:5,["打斗次数","接吻次数"]].values
# 测试集的目标数据
target_test = mv_data.loc[:5,"电影类型"].values

# 2 调用sklearn接口
learn = KNeighborsClassifier(n_neighbors=3,weights="distance")
learn.fit(feature_test,target_test)
learn.predict([[5,29],[78,34]])