机器学习11/100天-KNN实践

最新推荐文章于 2024-10-17 13:24:21 发布
原创 最新推荐文章于 2024-10-17 13:24:21 发布 · 261 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文详细介绍了如何使用Python和scikit-learn库实现K近邻(KNN)分类器，从数据预处理、特征缩放到模型训练及评估，通过一个具体的社交网络广告数据集案例，展示了KNN算法在实际应用中的全过程。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

github: 100DaysOfMLCode

1.导入常用库

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

2.导入数据集

dataset = pd.read_csv('Social_Network_Ads.csv')
X = dataset.iloc[:, [2, 3]].values
y = dataset.iloc[:, 4].values

3.划分数据集

from sklearn.cross_validation import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.25, random_state = 0)

4.数据标准化

from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)

5.模型

from sklearn.neighbors import KNeighborsClassifier
classifier = KNeighborsClassifier(n_neighbors = 5, metric = 'minkowski', p = 2)
classifier.fit(X_train, y_train)
y_pred = classifier.predict(X_test)

6.评估

from sklearn.metrics import confusion_matrix
cm = confusion_matrix(y_test, y_pred)
《Python星球日记》 第43天：机器学习概述与Scikit-learn入门
Code_流苏：在代码中寻诗意，在实践中觅真知
05-07 662
《Python星球日记》 第43天：机器学习概述与Scikit-learn入门
机器学习面试-核心概念-问题理解
m0_64198455的博客
08-08 1029
分类算法◆定义：将分类规则应用于记录的目标映射，将它们划分为不同的分类，并建立具有泛化能力的算法模型，即构建映射规则以预测未知样本的类别分类算法任务◆分类：经过训练而建立的预测模型在遇到未知样本时会使用建立好的模型对未知样本进行类别的划分◆描述：描述性分类主要解释和区分现有数据集中的特征，例如，描述动植物的各项特征，并进行标注分类，通过这些特征来确定它们属于哪个类别。
100天机器学习(100-Days-Of-ML)knn提升版
三年研究生能改变多少
01-28 522
本系列为100天机器学习学习笔记。详细请参考下方作者链接： 100天机器学习github: https://github.com/MLEveryday/100-Days-Of-ML-Code/blob/master/Code/Day 11_K-NN.md 这个系列开头都还挺认真的，到后面原作者都不太认真了。。。anyway,我们还是继续跟进，把干货记录完。 这次讲的是knn，我会在原文的基础上进行...
机器学习100天-7-KNN
ifeng
03-15 210
Day6--Logistic Regression代码
abc_138的博客
11-01 745
数据集 | 社交网络 该数据集包含了社交网络中用户的信息。这些信息涉及用户ID,性别,年龄以及预估薪资。一家汽车公司刚刚推出了他们新型的豪华SUV，我们尝试预测哪些用户会购买这种全新SUV。并且在最后一列用来表示用户是否购买。我们将建立一种模型来预测用户是否购买这种SUV，该模型基于两个变量，分别是年龄和预计薪资。因此我们的特征矩阵将是这两列。我们尝试寻找用户年龄与预估薪资之间的某种相关性，...
Social_Network_Ads.csv
06-01
Social_Network_Ads.csv，一个数据集内含400条数据，欢迎下载，欢迎下载，欢迎下载。
Social-Networks-Ads:使用各种机器学习模型来预测一个人是否要购买新产品
04-06
社交网络广告 使用各种机器学习模型来确定一个人是否要购买新产品。 由于它是分类数据集，因此我们使用各种分类监督的机器学习算法。 K最近的邻居。 k最近邻（KNN）算法是一种简单，易于实现的有监督的机器学习算法，可用于解决分类和回归问题。 它也被称为惰性学习器算法，因为它不立即从训练集中学习，而是存储数据集，并且在分类时对数据集执行操作.KNN算法在训练阶段仅存储数据集，何时训练它获取新数据，然后将其分类为与新数据非常相似的类别。 逻辑回归。 逻辑回归是最流行的机器学习算法之一，属于监督学习技术。 它用于使用给定的一组自变量来预测分类因变量。Logistic回归预测分类因变量的输出。 因此，结果必须是分类或离散值。 它可以是Yes或No，0或1，true或False等，但不是给出确切的值0和1，而是给出介于0和1之间的概率值。 朴素贝叶斯分类器。 朴素贝叶斯算法是一种基于贝叶斯定理的
100天机器学习编码挑战:从入门到精通的学习之旅
2401_87189860的博客
10-17 834
100-Days-Of-ML-Code项目为机器学习初学者提供了一个结构化的学习路径。通过100天的持续努力,你可以从机器学习的新手成长为具备实战能力的学习者。无论你是计算机科学学生、数据分析师,还是对人工智能感兴趣的专业人士,这个项目都能帮助你系统地学习机器学习知识,为你的职业发展打开新的可能性。现在,是时候开始你的机器学习之旅了。记住,每个专家都曾是初学者,持续学习和实践是成功的关键。让我们一起在这100天的旅程中探索机器学习的奇妙世界吧!
掌握Python机器学习实践：100天挑战学习计划
机器学习入门的100天计划中，会涉及到多种机器学习算法，如线性回归、逻辑回归、决策树、随机森林、支持向量机、K近邻算法（KNN）、朴素贝叶斯等。每种算法都有其应用场景和优缺点，掌握这些算法对于机器学习工程师...
1000pic机器学习数据集：KNN/kmeans/贝叶斯/SVM应用
标题《Sort_1000pics机器学习小型数据集》暗示了一个包含1000张图片的机器学习特定数据集，该数据集被精心分类，且每个类别都包含了100张图片。数据集的描述提供了关于其用途和价值的更详细信息，强调了可用于验证...
机器学习 建立模型_数据科学家如何在现实生活中建立机器学习模型
weixin_26713457的博客
10-15 1349
机器学习 建立模型The web is already flooded by data science and machine learning related resources nowadays. There are numerous blogs, websites, YouTube videos, and forums that are providing useful informatio...
python合并excel相同的名称的商品
yyangcr的博客
10-13 1563
每个月都需要做一次将几个供应商的商品汇总，然后发给他们，他们进行开票，一次有好几家供应商，有多有少。所以还是觉得麻烦 其中一个单位的供应商就有2000多，每个月都要做公式，也麻烦，所以准备用python来实现 import xlwings as xw from SpEntity import SpEntity import xlwings as xw class SpEntity: def __init__(self,name,shuliang,total): ..
分类-------决策树
m0_67531118的博客
11-27 927
决策树分类器
社会网络数据集
teacherfbj的博客
05-31 8289
分享几个社会网络数据集网址 http://networkrepository.com/soc.php 2. http://snap.stanford.edu/data/ 3. http://www-personal.umich.edu/~mejn/netdata/ 另外几个比较好用的分析工具 Pajek和Gephi社会网络分析
100天搞定机器学习|Day11 实现KNN
07-10 391
机器学习100天|Day1数据预处理 100天搞定机器学习|Day2简单线性回归分析 100天搞定机器学习|Day3多元线性回归 100天搞定机器学习|Day4-6 逻辑回归 100天搞定机器学习|Day7 K-NN 100天搞定机器学习|Day8 逻辑回归的数学原理 100天搞定机器学习|Day9-12 支持向量机 Day7，我们学习了K最近邻算法（k-NN），了解了其定义，如...
机器学习100天: Day23 决策树
tutan123的专栏
04-26 827
本文介绍决策树算法及其代码实现 导入需要用到的python库 import numpy as np import matplotlib.pyplot as plt import pandas as pd 导入数据集 dataset = pd.read_csv('Social_Network_Ads.csv') X = dataset.iloc[:, [2, 3]].value...
各分类方法应用场景 逻辑回归，支持向量机，随机森林，GBT，深度学习
热门推荐
haipengdai的博客
07-21 1万+
https://www.quora.com/What-are-the-advantages-of-different-classification-algorithms 训练样本的数量 特征的维度 是否线性可分 特征之间是相互独立的吗 特征是linear dependent 和target variable过拟合问题 速度，效果，内存限制 logistic r
pip install submodules/simple-knn报错
最新发布
07-30
<think>我们正在解决一个pip安装子模块时遇到的错误。用户尝试使用命令`pip install submodules/simple-knn`，但遇到了错误。我们需要分析可能的原因并提供解决方案。 常见原因和解决方案： 1. **路径问题**：`pip install` 后面跟的应该是包名或包含setup.py的目录路径。如果路径是相对路径，可能无法正确解析。 - 尝试使用绝对路径：`pip install /absolute/path/to/submodules/simple-knn` - 或者进入父目录，使用点号表示当前目录下的路径：`pip install ./submodules/simple-knn` 2. **目录结构问题**：确保`submodules/simple-knn`目录下确实有`setup.py`文件，因为这是pip安装所必需的。 3. **使用`-e`选项进行可编辑安装**：如果这是一个开发中的包，可能需要以可编辑模式安装，这样修改代码后无需重新安装。 - 命令：`pip install -e ./submodules/simple-knn` 4. **检查子模块的完整性**：如果`simple-knn`是一个git子模块，确保它已经被正确初始化并更新（即子模块的代码已经拉取）。 - 初始化子模块：`git submodule init` - 更新子模块：`git submodule update` 5. **权限问题**：确保当前用户对目标目录有读取权限。 6. **使用`--verbose`查看详细错误**：在命令后添加`--verbose`选项可以获取更详细的错误信息，帮助诊断问题。 7. **考虑使用虚拟环境**：为了避免系统环境的干扰，建议在虚拟环境中尝试安装。 步骤建议： 1. 首先确认`submodules/simple-knn`目录存在，并且其中有`setup.py`文件。 2. 尝试在`submodules/simple-knn`的父目录中运行：`pip install ./submodules/simple-knn` 3. 如果上述步骤失败，提供具体的错误信息，以便进一步排查。 如果用户已经提供了错误信息，我们可以根据错误信息进一步分析。但如果没有提供，我们可以先按照上述常见原因进行排查。 由于用户没有提供具体的错误信息，我们只能给出一般性的解决方案。如果上述方法不能解决问题，请用户提供具体的错误信息。 相关问题： 1. 如何正确使用pip安装本地目录中的Python包？ 2. 如何初始化并更新Git子模块？ 3. 在安装本地包时，如何解决权限问题？</think>### 解决 `pip install submodules/simple-knn` 报错的方法 #### 📌 常见错误原因及解决方案 1. **路径格式错误** Pip 无法直接识别相对路径 `submodules/simple-knn`： ✅ **正确做法**：进入父目录，使用 `.` 指定路径 ```bash cd /项目根目录 pip install ./submodules/simple-knn ``` 2. **缺少 `setup.py` 文件** 确保 `simple-knn` 目录包含 Python 包的必需文件： ```bash ls submodules/simple-knn # 必须包含 setup.py 或 pyproject.toml ``` ❌ 若缺失需补充包配置文件[^1]。 3. **依赖未安装** 子模块可能依赖其他包： ✅ 尝试先安装依赖： ```bash pip install -r submodules/simple-knn/requirements.txt ``` 4. **权限问题（Linux/Mac）** 在命令前加 `sudo` 或修正目录权限： ```bash sudo pip install ./submodules/simple-knn # 或 chmod 755 -R submodules/simple-knn ``` 5. **使用开发模式安装** 适用于频繁修改代码的场景： ```bash pip install -e ./submodules/simple-knn ``` #### ⚠️ 特殊场景处理 - **Git 子模块未初始化** 若 `simple-knn` 是 Git 子模块： ```bash git submodule update --init --recursive ``` - **Windows 路径问题** 使用反斜杠并添加 `.\`： ```cmd pip install .\submodules\simple-knn ``` #### 🔍 诊断步骤 1. 查看详细错误： ```bash pip install ./submodules/simple-knn -vvv ``` 2. 验证包结构： ```bash python -m pip show simple-knn ``` #### 💡 替代方案 若仍失败，可直接安装： ```bash cd submodules/simple-knn pip install . ``` --- ###
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值