KNN鸢尾花分类

最新推荐文章于 2024-04-24 19:53:55 发布

陈陈的糖罐子

最新推荐文章于 2024-04-24 19:53:55 发布

阅读量1k

点赞数 1

分类专栏： sklearn 文章标签：分类 python 数据挖掘

本文链接：https://blog.csdn.net/shanshuyue/article/details/120959862

版权

sklearn 专栏收录该内容

15 篇文章 0 订阅

订阅专栏

本文通过鸢尾花数据集展示了KNN（K近邻）算法的应用。首先，介绍了鸢尾花的种类细分，然后利用KNN进行数据划分、训练与测试。在实验中，调整了邻居数（K值），探讨了不同K值对模型准确率的影响，并引入了距离权重参数以优化分类效果。实验结果显示，KNN算法在鸢尾花分类任务上表现稳定，但选择合适的K值至关重要。

摘要由CSDN通过智能技术生成

在这里插入图片描述
markdown模式：
找到一张鸢尾花的照片，复制图片地址
输入感叹号、中括号、小括号，然后小括号里面地址放进去

就可将图片执行出来

或者

鸢尾花因为自然环境的不同，所以类别可以细分

X = iris['data']
y = iris['target']
#150代表150个样本，4代表着4个属性：花萼长、宽；花瓣长、宽
X.shape

在这里插入图片描述

#将数据划分，一分为二：一部分用于训练，另一部分用于测试
#将顺序打乱
index = np.arange(150)
index

np.random.shuffle(index)
index

#150个数据将打乱顺序100个取出来，算法学习，留下的50个使用算法预测（验证算法是否可靠）
#应用到实际中，要获取现实中的数据，算法对数据进行分类------->上线：实时进行分类
X_train,X_test = X[index[:100]],X[index[100:]]

y_train,y_test = y[index[:100]],y[index[-50:]]

knn = KNeighborsClassifier(n_neighbors= 5)

knn.fit(X_train,y_train)

y_ = knn.predict(X_test)

#对比，看算法，预测的和真实的结果，是否对应
#对应，大部分正确：算法没问题
#不然，说明算法效果不好
print(y_)
print('----------------------------')
print(y_test)

在这里插入图片描述
看一下数据类型

算准确率

或者采用另一种方法计算准确率

#进行了封装
knn.score(X_test,y_test)

另一种方法

#算法返回的结果，使用变量_接收：约定俗成变量命名规则
proba_ = knn.predict_proba(X_test)
proba_

结果输出
在这里插入图片描述
鸢尾花有三个分类，分别对应0、1、2

鸢尾花类别有三类

可以把邻居数调成十个计算一下准确率

knn = KNeighborsClassifier(n_neighbors= 10)

knn.fit(X_train,y_train)

y_ = knn.predict(X_test)

knn.score(X_test,y_test)

邻居数不一定越多越好也不一定越少越好。

增加权重选项
在这里插入图片描述

knn = KNeighborsClassifier(n_neighbors= 5,weights = 'distance')
#weights = 'distance'表示权重是按照距离来计算的，离得越近权重越大，离得越远权重越小

knn.fit(X_train,y_train)

y_ = knn.predict(X_test)

knn.score(X_test,y_test)