k-近邻算法简介及api的初步使用

Python学习系列文章：👉 目录 👈

一、K-近邻算法概述

K-紧邻算法（K Nearest Neighbor，简称 KNN）Cover 与 Hart 提出的机器学习中比较经典的算法之一，简单定义如下：

如果一个样本在特征空间中的 k 个最相似（即特征空间中最邻近）的样本中的大多数属于某一个类别，则该样本也属于这个类别。

通过这种方式，我们就能对样本进行分类。

举个例子，判断4号是男是女？

人物	头发	指甲	步长	声音	性别
1号	长	长	短	轻柔	女
2号	短	短	长	粗犷	男
3号	长	短	长	粗犷	男
4号	长	短	短	轻柔	？

K-近邻算法便是如此，通过已有的一系列的、数据，判断未知的那个是什么类别。

二、api 的初步使用

1. Scikit-learn 简介及安装

Scikit-learn 是 Python 的一个机器学习工具，包括分类、聚类、回归、特征工程、模型选择、调优等等功能。

官网👉：https://scikit-learn.org/

pip install scikit-learn  #电脑装有 Python2 的可能要用 pip3

安装完后便可以开始使用。

2. K-近邻算法 api 及使用

① api

sklearn.neighbors.KNeighborsClassifier(n_neighbors=5)

• n_neighbors：int，可选（默认为 5），表示查询默认使用的邻居数

② 简单使用

Ⅰ、使用步骤

1.获取数据集
2.数据基本处理
3.特征工程
4.机器学习
5.模型评估

Ⅱ、代码示例

① 导入模块

from sklearn.neighbors import  KNeighborsClassifier

② 构造数据集

x = [[0], [1], [2], [3]]
y = [0, 1, 1, 1]

③ 机器学习（模型训练）

# 实例化API
estimator = KNeighborsClassifier(n_neighbors=2)

# 使用fit方法进行训练
estimator.fit(x, y)

# 预测
print(estimator.predict([[1]]))	# 0