通过训练已知分类的数据集,从中可以发现分类规则,并以此预测新数据的所属类别,这被称为分类算法
一.描述
- 对于待分类的样本,从训练集中找出k个和它距离最近的样本,考察这些样本中哪一个标签最多,就给-待分类样本贴上改标签。
- k值的最佳选择高度依赖数据,通常较大的k值会抑制噪声的影响,但同时也会使分类界限不明显。通常k值是不大于20的整数。
二.用法和参数
neighbors提供了两种不同的最近邻分类器:
- 一种是基于待分类样本点的k个最近邻实现,其中k是用户指定的整数值
- 另一种是基于待分类样本点的固定半径r内的邻居数量实现,其中r是用户指定的浮点数值
三.实例
-
查看鸢尾花数据集中的样本集合分类标签集
from sklearn.datasets import load_iris # 获取鸢尾花数据集 iris = load_iris() # 150个样本,每个样本4项特征:花萼的长度和宽度,花瓣的长度和宽度 iris.data.shape # 鸢尾花3个品种的名字 iris.target_names # 150个样本的分类标签编号, 0、1、2分别对应3个品种 iris.target
-
使用10%的样本作为测试集对鸢尾花进行分类,模型精度在93%左右
# 获取鸢尾花数据集,返回样本集和标签集 X, y = load_iris(return_X_y=True) # 拆分 x_train, X_test, y_train, y_test = tsplit(X, y, test_size=0.1) # 实例化模型。n_neighbors参数指定k值,默认k=5 m = KNeighborsClassifier() # 模型训练 m.fit(x_tarin, y_train) # 模型测试精度 m.score(X_test, y_test)
四.注意事项
k-近邻分类模型理论成熟,计算精度高,对异常值不敏感,但相对其他分类模型而言计算量大,占用内存多。由于k-近邻分类模型主要靠周围有限的近邻样本,而不是靠判别类域的方法来确定所属类别,因此对于类域交叉或重叠较多的待分类样本集来说,k-近邻分类模型较其他模型来说更为合适。k-近邻分类模型比较适用于样本数量比较大的自动分类,当样本数量较小时容易产生错误分类