def k6():#用knn对鸢尾花数据集进行模型评估预测
#导入鸢尾花数据集
from sklearn.datasets import load_iris
#导入数据集拆分器
from sklearn.model_selection import train_test_split
#导入网格搜索和交叉验证器
from sklearn.model_selection import GridSearchCV
#导入特征工程-数据标准化处理
from sklearn.preprocessing import StandardScaler
#导入KNN算法
from sklearn.neighbors import KNeighborsClassifier
#知道数据集的键值和数据的shape
print('鸢尾花数据集键;\n',load_iris().keys())
print('数据类型:\n',load_iris().data.shape)
#将数据特征值,标签值传参
x,y=load_iris().data,load_iris().target
#进行数据集的训练集,测试集拆分
x_train,x_test,y_train,y_test=train_test_split(x,y,random_state=3)
#将估计器实例化
knn=KNeighborsClassifier()
#进行数据标准化处理
transfer=StandardScaler()
x_train=transfer.fit_transform(x_train)
x_test=transfer.transform(x_test)
#进行网格优化和K折交叉处理
ppp={'n_neighbors':[1,3,5,7,9,11,13]}
knn=GridSearchCV(knn,param_grid=ppp,cv=10)
#数据的拟合
knn.fit(x_train,y_train)
print('测试数据集得分:','%.3f'%knn.score(x_test,y_test))
#通过测试集数据进行预测
print('进行数据预测:',knn.predict(x_test))
print('数据预测与真实值比较:',y_test==knn.predict(x_test))
'''通过模型选择和模型优化可以得到其最佳参数,最佳结果,最佳估计器,交叉验证结果'''
print('最佳参数:\n',knn.best_params_)
print('最佳结果:\n',knn.best_score_)
print('最佳估计器:\n',knn.best_estimator_)
print('交叉验证结果:\n',knn.cv_results_)
k6()
利用KNN算法对鸢尾花数据集进行种类预测和模型优化
最新推荐文章于 2024-07-24 22:13:06 发布