每天复习一个机器学习——KNN

MACKEI

于 2022-08-24 21:10:54 发布

阅读量377

点赞数

分类专栏：机器学习文章标签：机器学习 python 人工智能

本文链接：https://blog.youkuaiyun.com/weixin_64304788/article/details/126512847

版权

机器学习专栏收录该内容

3 篇文章

订阅专栏

该博客介绍了如何使用鸢尾花数据集来实例化并训练K近邻（KNN）分类器。首先，通过pandas加载数据并进行预处理，然后利用train_test_split进行数据划分，进行标准化特征工程。接着，模型训练并预测测试集，最后计算模型的准确率，展示了KNN在鸢尾花分类任务中的表现。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

from sklearn.neighbors import KNeighborsClassifier
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

# 读取鸢尾花数据集
iris = load_iris()

iris_d = pd.DataFrame(iris['data'], columns = ['Sepal_Length', 'Sepal_Width', 'Petal_Length', 'Petal_Width'])
iris_d['Species'] = iris.target

# 实例化knn
knn = KNeighborsClassifier(n_neighbors=9)

# 数据集拆分
x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=100)

# 标准化特征工程
transfer = StandardScaler()
x_train = transfer.fit_transform(x_train)
x_test = transfer.transform(x_test)

# 模型训练
knn.fit(x_train, y_train)

# 对比真实值和预测值
y_predicr = knn.predict(x_test)
print(y_predicr == y_test)


# 计算准确率
score = knn.score(x_test,y_test)
print(score)