KNN算法应用-影响薪水的因素

目录

导包

数据和目标值

数据是随机的

数据是按比列的

总结：train_test_split,KFold,StratifiedKFold左右都是将数据拆分。

属性

删除无用数据

数据结构

算法进行

---

影响薪水的因素有很多，比如教育背景，年龄，种族，工作单位等等，可以用KNN进行分类。

导包

import numpy as np

import pandas as pd

from sklearn.neighbors import KNeighborsClassifier

from sklearn.model_selection import train_test_split

# cv int 6 数据分分成6份
from sklearn.model_selection import cross_val_score,GridSearchCV

# KFold、StratifiedKFold将数据分成多少份
from sklearn.model_selection import KFold,StratifiedKFold

数据和目标值

data = np.random.randint(0,10,size = (8,2))

target = np.array([0,0,1,0,1,1,1,0])
display(data,target)

train_test_split(data,target)

数据是随机的

kFold = KFold(n_splits=4)

# train，test是索引，只要有索引可以获取数据
for train,test in kFold.split(data,target):
    print(target[train],target[test])

数据是按比列的

# 分成4份，每一份数据特征，数据样本比例和原来一样的
sKFold = StratifiedKFold(n_splits=4)
for train,test in sKFold.split(data,target):
    print(target[train],target[test])

总结：train_test_split,KFold,StratifiedKFold左右都是将数据拆分。

data = pd.read_csv('./salary.txt')

data.head()

属性

data.columns

删除无用数据

data.drop(labels=['final_weight','education','capital_gain','capital_loss'],
          axis = 1,
          inplace=True)

数据结构

data.shape

data.head()

算法进行

X = data.iloc[:,0:-1]

y = data['salary']
knn = KNeighborsClassifier()

knn.fit(X,y)

将数据中str转换int，float从而算法可以计算(map方法，apply方法，transform方法)

u = X['workclass'].unique()

np.argwhere(u == 'Local-gov')[0,0]#二维的

def convert(x):
    return np.argwhere(u == x)[0,0]#获取索引
X['workclass'] = X['workclass'].map(convert)
X.head()

将剩余属性转化为数值

cols = [ 'marital_status', 'occupation', 'relationship', 'race', 'sex','native_country']
for col in cols:
    u = X[col].unique()
    def convert(x):
        return np.argwhere(u == x)[0,0]
    X[col] = X[col].map(convert)
X.head()

算法计算

knn = KNeighborsClassifier()
kFold = KFold(10)#把数据分成10份
knn = KNeighborsClassifier()
accuracy = 0
for train,test in kFold.split(X,y):
    knn.fit(X.loc[train],y[train])
    acc = knn.score(X.loc[test],y[test])
    accuracy += acc/10
print(accuracy)#平均准确率