python机器学习——数据的分类（knn,决策树，贝叶斯）代码笔记

最新推荐文章于 2023-02-04 10:09:35 发布

原创

最新推荐文章于 2023-02-04 10:09:35 发布 · 1.7k 阅读

8 ·

CC 4.0 BY-SA版权

文章标签：

#python #算法 #机器学习

这篇博客介绍了如何使用Python进行机器学习，具体包括knn、决策树和贝叶斯分类算法。通过加载数据、预处理、训练模型并进行预测，博主展示了每个算法的实现过程，并利用classification_report评估了预测效果。

import pandas as pd
import numpy as np

from sklearn.preprocessing import Imputer#导入数据预处理模块处理原始数据
from sklearn.model_selection import train_test_split#导入自动生成训练集和测试集的模块
from sklearn.metrics import classification_report#导入预测结果评估模块

from sklearn.neighbors import KNeighborsClassifier#knn近邻算法
from sklearn.tree import DecisionTreeClassifier#决策树算法模块
from sklearn.naive_bayes import GaussianNB#贝叶斯算法模块

#数据导入模块
def loadDataSet(feature_paths,label_paths):
    #创建空数组
    feature=np.ndarray(shape=(0,41))
    label=np.ndarray(shape=(0,1))

    #处理数据
    for file in feature_paths:
        #逗号分隔符读取特征数据，问号替换为缺失值，不读取表头。
        df = pd.read_table(file, delimiter=',', na_values='?', header=None)
        #补全函数：指明丢失数据为缺失值，采用平均值补全缺失值。
        imp = Imputer(missing_values='NaN', strategy='mean', axis=0)
        #函数方法调用接头
        imp.fit(df)
        df=imp.transform(df)#transform会将一个函数应用到各个分组。
        #将新的数据合并到特征集合中
        feature = np.concatenate((feature, df))
    for fil