简单调用sklearn实现K-近邻分类

一、 读取数据

使用sklearn自带的鸢尾花数据集

from sklearn.datasets import load_iris

    data = load_iris()

二、处理数据 

对特征进行处理，可添加或去除一定特征，由于是自带的规范数据集，没有进行处理

三、分割训练集和测试集

一般使用75%作为训练集，25%作为测试集

    # 进行数据的分割训练集合测试集
    x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25)

四、调用算法API 

    knn = KNeighborsClassifier(n_neighbors=15)#超参数

五、评估

    # 得出预测结果
    y_predict = knn.predict(x_test)

    print("预测的目标签到位置为：", y_predict)

    # 得出准确率
    print("预测的准确率:", knn.score(x_test, y_test))

具体如下：

from sklearn.neighbors import KNeighborsClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

def knncls():
    """
    K-近邻鸢尾花
    1、读取数据
    2、处理数据
    3、进行数据的分割训练集合测试集
    4、算法处理（超参数）
    5、评估
    :return:None
    """
    # 读取数据
    data = load_iris()

    # 进行数据的分割训练集合测试集
    y = data.target

    x = data.data

    # 进行数据的分割训练集合测试集
    x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25)

    # 特征工程（标准化）
    std = StandardScaler()

    # 对测试集和训练集的特征值进行标准化
    x_train = std.fit_transform(x_train)

    x_test = std.transform(x_test)

    # 进行算法流程 # 超参数
    knn = KNeighborsClassifier(n_neighbors=15)

    # fit， predict,score
    knn.fit(x_train, y_train)

    # 得出预测结果
    y_predict = knn.predict(x_test)

    print("预测的目标签到位置为：", y_predict)

    # 得出准确率
    print("预测的准确率:", knn.score(x_test, y_test))
    return None

if __name__ == '__main__':
    knncls()