认知实习Day-3特征预处理&利用KNN算法对鸢尾花分类

一、特征预处理：归一化

        数据归一化：通过对原始数据进行变换把数据映射到【mi,mx】(默认为[0,1])之间。

1.sklearn.preprocessing.MinMaxScaler(feature_range=(0,1)… )feature_range缩放区间2.fit_transform(X)将特征进行归一化缩放

#import numpy as np
from sklearn.preprocessing import MinMaxScaler
#def dm01_MinMaxScaler():
# 1. 准备数据
data = [[90, 2, 10, 40],[60, 4, 15, 45],[75, 3, 13, 46]]
# 2. 初始化归一化对象
transformer = MinMaxScaler()
# 3. 对原始特征进行变换
data = transformer.fit_transform(data)
# 4. 打印归一化后的结果
print(data)

结果：

二、特征预处理：标准化

        数据标准化：通过对原始数据进行标准化，转换为均值为0标准差为1的标准正态分布的数据

1.sklearn.preprocessing. StandardScaler()

2.fit_transform(X)将特征进行归一化缩放

from sklearn.preprocessing import StandardScaler
#def dm03_StandardScaler():
# 对特征值进行标准化
# 1. 准备数据
data = [[90, 2, 10, 40],[60, 4, 15, 45],[75, 3, 13, 46]]
# 2. 初始化标准化对象
transformer = StandardScaler()

# 3. 对原始特征进行变换
data = transformer.fit_transform(data)
# 4. 打印归一化后的结果
print(data)
# 5 打印每1列数据的均值和标准差
print('transfer.mean_-->', transformer.mean_)
print('transfer.var_-->', transformer.var_)

结果：

三、利用KNN算法对鸢尾花分类

        3.1案例的总体处理流程

                1、获取数据集

                2、数据基本处理

                3、数据集预处理-数据标准化

                4、机器学习(模型训练)

                5、模型评估

                6、模型预测

        3.2代码实现