读取Iris数据集细节资料:
#导入iris数据加载器
from sklearn.datasets import load_iris
#使用加载器读取数据并存入变量iris
iris=load_iris()
#查验数据规模
#print(iris.data.shape)
#查看数据说明
#print(iris.DESCR)
对Iris数据集进行数据分割:
#对数据进行随机分割
from sklearn.cross_validation import train_test_split
X_train,X_test,y_train,y_test=train_test_split(iris.data,iris.target,test_size=0.25,random_state=33)
使用K近邻分类器对数据进行类别预测:
#使用K近邻分类器对数据进行类别预测
#导入标准化模块
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
#对训练数据的测试的特征数据进行标准化
ss=StandardScaler()
X_train=ss.fit_transform(X_train)
X_test=ss.transform(X_test)
#使用K近邻分类器对测试数据进行类别预测,预测结果保存在y_predict中
knc=KNeighborsClassifier()
knc.fit(X_train,y_train)
y_predict=knc.predict(X_test)
对K近邻分类器数据的预测性能进行评估:
#对K近邻分类器数据的预测性能进行评估
print('The accuracy of K-Nearest Neighbor Classifier is',knc.score(X_test,y_test))
#详情分析
from sklearn.metrics import classification_report
print(classification_report(y_test,y_predict,target_names=iris.target_names))
特点分析:改模型并没有训练参数,这样的决策算法,导致了其非常高的计算复杂度和内存消耗。这是一个平方级的算法复杂度。
每一个 测试样本,都需要预先加载在内存中的训练样本进行遍历、逐一计算相似度,、排序并选取K个最近邻的训练样本的标记,进而做出分类决策。
完整代码参考:
# -*- coding: utf-8 -*-
"""
Created on Thu Oct 18 09:41:46 2018
@author: asus
"""
#导入iris数据加载器
from sklearn.datasets import load_iris
#使用加载器读取数据并存入变量iris
iris=load_iris()
#查验数据规模
#print(iris.data.shape)
#查看数据说明
#print(iris.DESCR)
#对数据进行随机分割
from sklearn.cross_validation import train_test_split
X_train,X_test,y_train,y_test=train_test_split(iris.data,iris.target,test_size=0.25,random_state=33)
#使用K近邻分类器对数据进行类别预测
#导入标准化模块
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
#对训练数据的测试的特征数据进行标准化
ss=StandardScaler()
X_train=ss.fit_transform(X_train)
X_test=ss.transform(X_test)
#使用K近邻分类器对测试数据进行类别预测,预测结果保存在y_predict中
knc=KNeighborsClassifier()
knc.fit(X_train,y_train)
y_predict=knc.predict(X_test)
#对K近邻分类器数据的预测性能进行评估
print('The accuracy of K-Nearest Neighbor Classifier is',knc.score(X_test,y_test))
#详情分析
from sklearn.metrics import classification_report
print(classification_report(y_test,y_predict,target_names=iris.target_names))