机器学习第三课KNN+交叉验证

KNN分类模型:

分类:将一个未知归类的样本归属到某一个已知的类群众
预测:可以根据数据的规律计算出一个未知的数据

概念:
		k-近邻算法才哟个测量不同特征值之间的距离方法进行分类(K-Nearest Neighbor,KNN),例如近朱者赤近墨者黑。
用法:导入相应的工具包
	from sklearn.neighbors import KNeighborsClassifier

算法:

import pandas as pd
import warnings
warnings.simplefilter("ignore")
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split  # 导入数据切分
import numpy as np
data = pd.read_excel('C:/Users/lenovo/Desktop/python_use/data/datasets/my_films.xlsx')
print(data)
# 1、提取特征数据
feature = data[['Action Lens', 'Love Lens']]
# 2、提取标签数据
target = data['target']
print(feature.shape, '\n', target.shape)
# 3、对于数据集进行切分
x_train,x_test,y_train,y_test = train_test_split(feature,target,test_size=0.1,random_state=1212)
# 4、创建算法模型对象
knn = KNeighborsClassifier(n_neighbors=3)  # 实例化算法模型,n_neighbors代表KNN中的K
# 训练模型参数X用的是大写,代表的是特征数据必须是二维的
n = knn.fit(x_train, y_train)
print(n)
m=knn.predict(x_test)
print(m)
print(y_test)

运行后的结果:

        名字  Action Lens  Love Lens  target
0       前任3            4         10    Love
1       西游记           16          2  Action
2       战狼2           18          3  Action
3     失恋33天            2         13    Love
4      宝贝计划            4          2  Comedy
5       捉妖记           10         10  Action
6      乡村爱情            3          4  Comedy
7   阳光的快乐生活            2          3  Comedy
8     后来的你们            2         11    Love
9      大话西游           18          2  Action
10   速度与激情8            3         19    Love
11     一路向北            5         17    Love
(12, 2) 
 (12,)
KNeighborsClassifier(n_neighbors=3)
['Love' 'Comedy']
3      Love
7    Comedy
Name: target, dtype: object

注意:

在实际应用中需要先对模型进行测试
使用以下代码:
	knn.score(X_test,y_test)
算出模型的精度
  • 6
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值