K-近邻算法

最新推荐文章于 2021-09-28 21:06:57 发布

Ficca

最新推荐文章于 2021-09-28 21:06:57 发布

阅读量143

点赞数

分类专栏： AI 文章标签： K-近邻算法

本文链接：https://blog.csdn.net/qq_42957436/article/details/89111553

版权

AI 专栏收录该内容

16 篇文章 0 订阅

订阅专栏

1、简而言之：根据你的邻居来推断你的类别

2、距离公式（确定邻居）
曼哈顿距离公式
3、K值取的过小，容易受到异常点的影响
K值取的过大，容易受到样本不均衡的影响

4、API
API
n_neighbours即K值
5、总结

ex_1

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier


def knn_iris():
    '''
    用KNN算法对鸢尾花进行分类
    :return:
    '''
    # 1）获取数据
    iris = load_iris()
    # 2）划分数据集
    x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=6)

    # 3）特征工程：标准化
    transfer = StandardScaler()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)
    # 4）KNN短发预估器
    estimator = KNeighborsClassifier(n_neighbors=3)
    estimator.fit(x_train, y_train)
    # 有了模型
    # 5）模型评估
    # 方法1：直接对比真实值和预测值
    y_predict = estimator.predict(x_test)
    print("y_predict: \n", y_predict)
    print("直接对比真实值和预测值: \n", y_test == y_predict)

    # 方法2：计算准确率
    score = estimator.score(x_test, y_test)
    print("准确率：\n", score)


if __name__ == '__main__':
    knn_iris()