from sklearn import datasets
from sklearn.model_selection import train_test_split, cross_val_score # 划分数据 交叉验证
from sklearn.neighbors import KNeighborsClassifier, KNeighborsRegressor # 一个简单的模型,只有K一个参数,类似K-means
import matplotlib.pyplot as plt
# 加载、提取、分割数据
iris = datasets.load_iris() # 加载sklearn自带的数据集
X = iris.data # 这是数据
y = iris.target # 这是每个数据所对应的标签
train_X, test_X, train_y, test_y = train_test_split(X, y, test_size=1 / 3) # 这里划分数据以1/3的来划分 训练集训练结果 测试集测试结果
# KNN交叉验证:对不同的k值使用交叉验证
k_range = range(3, 50)
cv_scores = [] # 用来放每个模型的结果值
for n in k_range:
knn = KNeighborsClassifier(n) # knn模型,这里一个超参数可以做预测,当多个超参数时需要使用另一种方法GridSearchCV
scores = cross_val_score(knn, train_X, train_y, cv=10,
scoring='accuracy') # cv:选择每次测试折数 accuracy:评价指标是准确度,可以省略使用默认值
cv_scores.append(scores.mean())
# 画出 不用的k与相应的交叉验证的平均score的曲线
plt.plot(k_range, cv_scores)
plt.xlabel('K')
plt.ylabel('Accuracy') # 通过图像选择最好的参数
plt.show()
# 选取并训练最好的k值对应的KNN模型,并输出测试集score
best_knn = KNeighborsClassifier(n_neighbors=3) # 选择最优的K=3传入模型
best_knn.fit(train_X, train_y) # 训练模型
print(best_knn.score(test_X, test_y)) # 看看评分
knn调库与交叉验证结合案例
最新推荐文章于 2024-07-09 17:43:26 发布