机器学习之sklearn-KNN近邻算法分类小案例（癌细胞检测）

最新推荐文章于 2025-06-09 00:57:43 发布

Mr four fires

最新推荐文章于 2025-06-09 00:57:43 发布

阅读量1.5k

点赞数

CC 4.0 BY-SA版权

文章标签：机器学习 KNN 分类案例人工智能 sklearn学习包

本文链接：https://blog.youkuaiyun.com/qq_44936135/article/details/89486143

本文通过一个案例展示了如何利用sklearn机器学习库中的KNeighborsClassifier进行KNN近邻算法分类，用于癌细胞的良性与恶性判断。首先导入所需库，然后构造特征值和目标值数据，接着将数据转换为矩阵形式，用散点图展示数据分布。实例化KNN分类器，对训练数据建模并预测新样本，最终结果显示预测的细胞为恶性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

（案例）：用sklearn机器学习包简单实现KNN分类检测。
导包：
from sklearn.neighbors import KNeighborsClassifier
import numpy as np
import matplotlib.pyplot as plt

构造数据集：
1.特征值数据，癌变部位大小，时间
data_canner_feature=[
[3.393533211, 2.331273381],
[3.110073483, 1.781539638],
[1.343808831, 3.368360954],
[3.582294042, 4.679179110],
[2.280362439, 2.866990263],
[7.423436942, 4.696522875],
[5.745051997, 3.533989803],
[9.172168622, 2.511101045],
[7.792783481, 3.424088941],
[7.939820817, 0.791637231]]

2.癌症目标值数据0表示未癌变，1表示癌变
data_canner_target=[0, 0, 0, 0, 0, 1, 1, 1, 1, 1]

3.待预测样本
predict_data=[[8.093607318, 3.365731514]]

数据处理：
数据转换，列表转化为矩阵向量
X=np.array(data_canner_feature)
y=np.array(data_canner_target)
x=np.array(predict_data)

绘图观察：
plt.scatter(X[y0,0],X[y0,1],color=‘g’)
plt.scatter(X[y1,