Scikit learn快速入门

最新推荐文章于 2025-06-11 06:22:12 发布

原创最新推荐文章于 2025-06-11 06:22:12 发布 · 486 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习 #KNN #K近邻 #k-Nearest Neighbor

机器学习专栏收录该内容

71 篇文章

订阅专栏

本文通过一个具体的案例介绍了如何使用K近邻(KNN)算法进行分类任务。从数据集的加载开始，逐步展示了如何划分训练集与测试集，并利用sklearn库实现KNN模型的构建与预测过程。

基础入门的知识，我就不重复造轮子了。

今天看了一篇，写的不错，推荐给大家，我下面的例子也是根据这篇博客写的完整例子

地址：https://www.jianshu.com/p/cd5a929bec33

直接上代码，想看代码详细解释的，看上面的博客。

#导入模块

from __future__ import print_function
#导入sklearn中的数据集
from sklearn import datasets
#导入测试集
from sklearn.cross_validation import train_test_split
#导入KNN算法
from sklearn.neighbors import KNeighborsClassifier

#创建数据
#加载iris数据，这个数据有四个属性，花瓣的长宽、茎的长宽，根据这些属性把花分为三类
iris = datasets.load_iris()
#把属性存在x
iris_X = iris.data
#类别标签存在y中
iris_y = iris.target

#观察数据集
# print(iris_X)
# print(iris_X[:2,:])
# print(iris_y)

#把数据集分为训练集和测试集，其中test_size=0.3，即测试集占总数据的30%
x_train,x_test,y_train,y_test = train_test_split(iris_X,iris_y,test_size=0.3)
# print(y_train)

#定义模型-训练模型-预测
#定义模型
#定义KNN模型
knn = KNeighborsClassifier();
#用fit来训练training data,这一步就完成了训练的所有步骤
knn.fit(x_train,y_train)
#后面的Knn就是已经训练好的模型，可以直接用来predict测试集的数据
print(knn.predict(x_test))
#对比用模型预测的值与真实值，可以看到大概模拟出了数据，但是有误差，是不会完全全部预测正确的。
print(y_test)