02 机器学习-K近邻算法（KNN）

1.1 基本概念

1.2 关键词

1.3 公式推导

1.4 算法优点与缺点

1.5 案例分析

1.5.1 sklearn调包案例

运行此项目前确保安装

1.pyhon

2.numpy

3.scipy

import numpy as np 
from sklearn import datasets                               #获取数据
from sklearn.model_selection import train_test_split       #引入分离数据函数
from sklearn.neighbors import KNeighborsClassifier         #引入K近邻算法

iris = datasets.load_iris()     #iris为一种花，载入数据
iris_X = iris.data              #记录花的属性
iris_y = iris.target            #记录花的种类

# print(iris_X[:2,:])           #打印两个样本花的属性
# print(iris_y)

#将样本按照训练集：测试集 3：7的比例分开 且数据被打乱
X_train,X_test,y_train,y_test=train_test_split(iris_X,iris_y,test_size=0.3) 

knn = KNeighborsClassifier()  #调用K近邻算法
knn.fit(X_train,y_train)      #训练样本
print(knn.predict(X_test))    #把测试机属性放入训练好的模型获得测试集花的种类
print(y_test)                 #和原种类对比

运行结果

预测结果
[0 0 0 1 2 0 0 0 2 1 2 1 2 1 0 2 0 1 2 2 1 0 1 1 2 1 1 1 0 0 1 1 2 2 2 2 1
 0 2 1 1 2 2 0 1]
原样本
[0 0 0 1 2 0 0 0 2 1 2 1 2 1 0 2 0 1 2 2 2 0 1 1 2 1 1 1 0 0 1 1 2 2 2 2 1
 0 2 1 1 2 2 0 1]

参考资料：

01 【莫烦Python】Scikit-learn (sklearn) 优雅地学会机器学习_哔哩哔哩_bilibili