Sklearn实现knn

最新推荐文章于 2024-09-06 09:46:37 发布

原创

最新推荐文章于 2024-09-06 09:46:37 发布 · 525 阅读

1 ·

CC 4.0 BY-SA版权

本文通过三个实例详细介绍了如何使用Sklearn库中的KNeighborsClassifier实现K近邻（KNN）分类。首先，展示了加载鸢尾花数据集，划分训练集和测试集，训练模型并计算预测准确率的过程。接着，创建了一个简单的二维数据集，应用KNN分类器进行预测。最后，通过可视化展示了不同权重设置下3类鸢尾花的分类边界。

#----------------------------------Sklearn实现Knn------------------------------
# KNeighborsClassifier(n_neighbors=5, weights=’uniform’,
# algorithm=’auto’, leaf_size=30, p=2, metric=’minkowski’,
# metric_params=None, n_jobs=None, **kwargs)[source]

#--------------------------------------实例一-----------------------------------------------
from sklearn import datasets
from sklearn.neighbors import KNeighborsClassifier
from sklearn.cross_validation import train_test_split
import numpy as np
np.random.seed(0)#设置随机种子，设置后每次产生的随机数都一样

#加载数据集
iris=datasets.load_iris() #样本是150*4二维数据，代表150个样本，每个样本有4个特征
X=iris.data
y=iris.target
#分割数据集
X_train,X_test,y_train,y_test=train_test_split(X,y,random_state=1)
#print('训练集：',X_train,'测试集：',X_test)
#print('训练集',len(X_train),'测试集：',len(X_test))

#训练分类器
knn=KNeighborsClassifier()
knn.fit(X_train,y_train)
#预测
y_predict=knn.predict(X_test)
probility=knn.predict