k近邻算法查看鸢尾花数据集

导入依赖的库

import numpy as np
import pandas as pd
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split #切分训练集和测试集
from sklearn.metrics import accuracy_score #计算分类预测的准确率

查看一些基本信息

iris = load_iris()
df = pd.DataFrame(data=iris['data'],columns=iris.feature_names) #加载数据和列名
df['class']=iris.target #添加一列
df['class'] = df['class'].map({0:iris.target_names[0],1:iris.target_names[1],2:iris.target_names[2]})
df.describe()

#取出相关的数据信息
x=iris.data
y=iris.target.reshape(-1,1)
#test_size指定测试集所占比例，也可以使用train_size
#y进行等比例分成测试集和训练集,这样不会出现相同的y大部分分到了一起的现象
x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.3,random_state=35,stratify=y)

核心算法实现

#l1距离就是曼哈顿距离，没有平方和和根号，只是绝对值，l2距离就是欧氏距离
def l1_distance(a,b):
    return np.sum(np.abs(a-b),axis=1)
def l2_distance(a,b):
    return np.sqrt(np.sum((a-b)**2,axis=1))
#分类器的实现
class kNN():
    # 定义一个初始化方法
    def __init__(self,n_neighbors=1,dist_func=l1_distance):
        self.n_neighbors=n_neighbors
        self.dist_func=dist_func
        
    #训练模型方法
    def fit(self,x,y):
        self.x_train=x
        self.y_train=y
        
    #模型预测方法
    def predict(self,x):
        #初始化预测分类数组
        y_pred = np.zeros((x.shape[0],1),dtype=self.y_train.dtype)
        #遍历输入的x数据点，取出每一个数据点的序号i和数据x_test
        for i,x_test in enumerate(x):
            #x_test每一个样本与所有训练集的数据计算距离
            distances = self.dist_func(self.x_train,x_test)
            #得到的距离按照由近到远排序，取出索引
            nn_index=np.argsort(distances)
            #选取最近的k个点，保存它们对应的分类的类别
            nn_y=self.y_train[nn_index[:self.n_neighbors]].ravel()
            #统计类别中出现概率最高的那个，赋值给y_pred[i]
            y_pred[i]=np.argmax(np.bincount(nn_y))
        return y_pred

简单测试

#定义一个knn实例
knn = kNN(n_neighbors=3)
#训练模型
knn.fit(x_train,y_train)
#传入测试数据做预测
y_pred = knn.predict(x_test)
#求出预测准确率
accuracy = accuracy_score(y_test,y_pred)
print("预测准确率：",accuracy)

得到的结果为

预测准确率： 0.9333333333333333

使用不同的损失函数和求取不同的k值查看对结果的影响

#定义一个knn实例
knn= kNN()
#训练模型
knn.fit(x_train,y_train)
#保存结果到一个list
result_list=[]
#针对不同的参数选取做预测
for p in [1,2]:
    knn.dist_func=l1_distance if p==1 else l2_distance
    #考虑不同的k取值，步长为2
    for k in range(1,10,2):
        knn.n_neighbors=k
        #传入测试数据做预测
        y_pred = knn.predict(x_test)
        #求出预测准确率
        accuracy = accuracy_score(y_test,y_pred)
        result_list.append([k,'l1_distance' if p==1 else 'l2_distance',accuracy])
df = pd.DataFrame(result_list,columns=['k','距离函数','预测准确率'])
print(df)

结果为：

   k         距离函数     预测准确率
0  1  l1_distance  0.933333
1  3  l1_distance  0.933333
2  5  l1_distance  0.977778
3  7  l1_distance  0.955556
4  9  l1_distance  0.955556
5  1  l2_distance  0.933333
6  3  l2_distance  0.933333
7  5  l2_distance  0.977778
8  7  l2_distance  0.977778
9  9  l2_distance  0.977778

可以看到k值并不是越大越好