使用K近邻(KNN)对鸢尾花分类

KNN算法的精髓在于近朱者赤近墨者黑,所以距离通过欧氏距离或者夹角余弦来计算。


他的主要计算步骤为:

1.算距离:给定测试对象,计算它与训练集中的每个对象的距离

2.寻找邻居:圈定距离最近的K个训练对象,作为测试对象的近邻。

3.做分类:根据这K个近邻归属的主要类别,来对测试对象分类。


对kNN算法的伪代码:

1.采用load_iris读取数据并查看 

2.分割数据,产生75%的训练样本,25%的测试样本

3.标准化数据

4.导入K近邻分类模块

5.测试与性能评估,生成评估报告


# 从sklearn.datasets 导入 iris数据加载器。
from sklearn.datasets import load_iris
# 使用加载器读取数据并且存入变量iris。
iris = load_iris()
# 查验数据规模。
iris.data.shape

# 查看数据说明。对于一名机器学习的实践者来讲,这是一个好习惯。
print iris.DESCR

# 从sklearn.cross_validation里选择导入train_test_split用于数据分割。
from sklearn.cross_validation import train_test_split
# 从使用train_test_split,利用随机种
  • 9
    点赞
  • 43
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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