KNN算法对女性约会对象分类

1.导入相关库

import pandas as pd

2.混淆矩阵函数

def cm_plot(y, yp):
    from sklearn.metrics import confusion_matrix
    import matplotlib.pyplot as plt

    cm = confusion_matrix(y, yp)
    plt.matshow(cm, cmap=plt.cm.Blues)
    plt.colorbar()
    for x in range(len(cm)):
        for y in range(len(cm)):
            plt.annotate(cm[x, y], xy=(y, x), horizontalalignment='center',
                         verticalalignment='center')
            plt.ylabel('True label')
            plt.xlabel('Predicted label')
    return plt

3.导入数据

4.数据Z标准化

from sklearn.preprocessing import StandardScaler
scaler=StandardScaler()
data['每年获得的飞行常客里程数']=scaler.fit_transform(data[['每年获得的飞行常客里程数']])
data['玩视频游戏所消耗的时间百分比']=scaler.fit_transform(data[['玩视频游戏所消耗的时间百分比']])
data['每周消费的冰淇淋公升数']=scaler.fit_transform(data[['每周消费的冰淇淋公升数']])

5.数据切分

from sklearn.model_selection import train_test_split
X_whole=data.drop('类别',axis=1)
y_whole=data.类别
x_train_w,x_test_w,y_train_w,y_test_w=\
  train_test_split(X_whole,y_whole,test_size=0.2,random_state=0)

6.采用KNN算法训练并预测

from sklearn.neighbors import KNeighborsClassifier
knn=KNeighborsClassifier(n_neighbors=13)
knn.fit(x_train_w,y_train_w)
knn.score(x_train_w,y_train_w)
train_predicted=knn.predict(x_train_w)

from sklearn import metrics
print(metrics.classification_report(y_train_w,train_predicted))
cm_plot(y_train_w,train_predicted).show()

训练集预测结果及混淆矩阵

测试集预测结果及混淆矩阵

1：不喜欢

2：一般魅力

3：极具魅力

对于这样的数据集我们更关注f1，因为并不是一个均衡样本数据并不关注任何一点。训练集和测试集表现都较好，大部分数据预测正确。