python导入鸢尾花数据集_python KNN算法实现鸢尾花数据集分类

一、knn算法描述

1.基本概述

knn算法，又叫k-近邻算法。属于一个分类算法，主要思想如下：

一个样本在特征空间中的k个最近邻的样本中的大多数都属于某一个类别，则该样本也属于这个类别。其中k表示最近邻居的个数。

用二维的图例，说明knn算法，如下：

二维空间下数据之间的距离计算：

在n维空间两个数据之间:

2.具体步骤：

（1）计算待测试数据与各训练数据的距离

（2）将计算的距离进行由小到大排序

（3）找出距离最小的k个值

（4）计算找出的值中每个类别的频次

（5）返回频次最高的类别

二、鸢尾花数据集

Iris 鸢尾花数据集内包含 3 类分别为山鸢尾（Iris-setosa）、变色鸢尾（Iris-versicolor）和维吉尼亚鸢尾（Iris-virginica），共 150 条记录，每类各 50 个数据，每条记录都有 4 项特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度，可以通过这4个特征预测鸢尾花卉属于哪一品种。

iris数据集包含在sklearn库当中，具体在sklearn\datasets\data文件夹下，文件名为iris.csv。以本机为例。其路径如下：

D:\python\lib\site-packages\sklearn\datasets\data\iris.csv

其中数据如下格式：

第一行数据意义如下：

150：数据集中数据的总条数

4：特征值的类别数，即花萼长度、花萼宽度、花瓣长度、花瓣宽度。

setosa、versicolor、virginica：三种鸢尾花名

从第二行开始：

第一列为花萼长度值

第二列为花萼宽度值

第三列为花瓣长度值

第四列为花瓣宽度值

第五列对应是种类（三类鸢尾花分别用0，1，2表示）

三、算法实现

1.算法流程图：

从以上流程图可以看出，knn算法包含后四步操作，所以将整个程序分为三个模块。

2.具体实现

（1）方法一

①利用slearn库中的load_iris()导入iris数据集

②使用train_test_split()对数据集进行划分

③KNeighborsClassifier()设置邻居数

④利用fit()构建基于训练集的模型

⑤使用predict()进行预测

⑥使用score()进行模型评估

说明：本代码来源于《Python机器学习基础教程》在此仅供学习使用。

from sklearn.datasets import load_iris

from sklearn.model_selection import train_test_split

from sklearn.neighbors import KNeighborsClassifier

import numpy as np

# 载入数据集

iris_dataset = load_iris()

# 数据划分

X_train, X_test, y_train, y_test = train_test_split(iris_dataset['data'], iris_dataset['target'], random_state=0)

# 设置邻居数

knn = KNeighborsClassifier(n_neighbors=1)

# 构建基于训练集的模型

knn.fit(X_train, y_train)

# 一条测试数据

X_new = np.array([[5, 2.9, 1, 0.2]])

# 对X_new预测结果

prediction = knn.predict(X_new)

print("预测值%d" % prediction)

# 得出测试集X_test测试集的分数

print("score:{:.2f}".format(knn.score(X_test,y_test)))

（2）方法二

①使用读取文件的方式，使用open、以及csv中的相关方法载入数据

②输入测试集和训练集的比率，对载入的数据使用shuffle()打乱后，计算训练集及测试集个数对特征值数据和对应的标签数据进行分割。

③将分割后的数据，计算测试集数据与每一个训练集的距离，使用norm()函数直接求二范数，或者载入数据使用np.sqrt(sum((test - train) ** 2))求得距离，使用argsort()将距离进行排序，并返回索引值，

④取出值最小的k个，获得其标签值，存进一个字典，标签值为键，出现次数为值，对字典进行按值的大小递减排序，将字典第一个键的值存入预测结果的列表中，计算完所有测试集数据后，返回一个列表。

⑤将预测结果与测试集本身的标签进行对比，得出分数。

import csv

import random

import numpy as np

import operator

def openfile(filename):

"""

打开数据集，进行数据处理

:param filename: 数据集的路径

:return: 返回数据集的数据，标签，以及标签名

"""

with open(filename) as csv_file:

data_file = csv.reader(csv_file)

temp = next(data_file)

# 数据集中数据的总数量

n_samples = int(temp[0])

# 数据集中特征值的种类个数

n_features = int(temp[1])

# 标签名

target_names = np.array(temp[2:])

# empty()函数构造一个未初始化的矩阵，行数为数据集数量，列数为特征值的种类个数

data = np.empty((n_samples, n_features))

# empty()函数构造一个未初始化的矩阵，行数为数据集数量，1列，数据格式为int

target = np.empty((n_samples,), dtype=np.int)

for i, j in enumerate(data_file):

# 将数据集中的将数据转化为矩阵，数据格式为float

# 将数据中从第一列到倒数第二列中的数据保存在data中

data[i] = np.asarray(j[:-1], dtype=np.float64)

# 将数据集中的将数据转化为矩阵，数据格式为int

# 将数据集中倒数第一列中的数据保存在target中

target[i] = np.asarray(j[-1], dtype=np.int)

# 返回 数据，标签 和标签名

return data, target, target_names

def random_number(data_size):

"""

该函数使用shuffle()打乱一个包含从0到数据集大小的整数列表。因此每次运行程序划分不同，导致结果不同

改进：

可使用random设置随机种子，随机一个包含从0到数据集大小的整数列表，保证每次的划分结果相同。

:param data_size: 数据集大小

:return: 返回一个列表

"""

number_set = []

for i in range(data_size):

number_set.append(i)

random.shuffle(number_set)

return number_set

def split_data_set(data_set, target_data, rate=0.25):

"""

说明：分割数据集，默认数据集的25%是测试集

:param data_set: 数据集

:param target_data: 标签数据

:param rate: 测试集所占的比率

:return: 返回训练集数据、训练集标签、训练集数据、训练集标签

"""

# 计算训练集的数据个数

train_size = int((1-rate) * len(data_set))

# 获得数据

data_index = random_number(len(data_set))

# 分割数据集（X表示数据，y表示标签），以返回的index为下标

x_train = data_set[data_index[:train_size]]

x_test = data_set[data_index[train_size:]]

y_train = target_data[data_index[:train_size]]

y_test = target_data[data_index[train_size:]]

return x_train, x_test, y_train, y_test

def data_diatance(x_test, x_train):

"""

:param x_test: 测试集

:param x_train: 训练集

:return: 返回计算的距离

"""

# sqrt_x = np.linalg.norm(test-train) # 使用norm求二范数（距离）

distances = np.sqrt(sum((x_test - x_train) ** 2))

return distances

def knn(x_test, x_train, y_train, k):

"""

:param x_test: 测试集数据

:param x_train: 训练集数据

:param y_train: 测试集标签

:param k: 邻居数

:return: 返回一个列表包含预测结果

"""

# 预测结果列表，用于存储测试集预测出来的结果

predict_result_set=[]

# 训练集的长度

train_set_size = len(x_train)

# 创建一个全零的矩阵，长度为训练集的长度

distances = np.array(np.zeros(train_set_size))

# 计算每一个测试集与每一个训练集的距离

for i in x_test:

for indx in range(train_set_size):

# 计算数据之间的距离

distances[indx] = data_diatance(i, x_train[indx])

# 排序后的距离的下标

sorted_dist = np.argsort(distances)

class_count = {}

# 取出k个最短距离

for i in range(k):

# 获得下标所对应的标签值

sort_label = y_train[sorted_dist[i]]

# 将标签存入字典之中并存入个数

class_count[sort_label]=class_count.get(sort_label, 0) + 1

# 对标签进行排序

sorted_class_count = sorted(class_count.items(), key=operator.itemgetter(1), reverse=True)

# 将出现频次最高的放入预测结果列表

predict_result_set.append(sorted_class_count[0][0])

# 返回预测结果列表

return predict_result_set

def score(predict_result_set, y_test):

"""

:param predict_result_set: 预测结果列表

:param y_test: 测试集标签

:return: 返回测试集精度

"""

count = 0

for i in range(0, len(predict_result_set)):

if predict_result_set[i] == y_test[i]:

count += 1

score = count / len(predict_result_set)

return score

if __name__ == "__main__":

iris_dataset = openfile('iris.csv')

# x_new = np.array([[5, 2.9, 1, 0.2]])

x_train, x_test, y_train, y_test = split_data_set(iris_dataset[0], iris_dataset[1])

result = knn(x_test,x_train, y_train, 6)

print("原有标签:", y_test)

# 为了方便对比查看，此处将预测结果转化为array,可直接打印结果

print("预测结果：", np.array(result))

score = score(result, y_test)

print("测试集的精度：%.2f" % score)

四、运行结果

结果不同，因为每次划分的训练集和测试集不同，具体见random_number()方法。

五、总结

在本次使用python实现knn算法时，遇到了很多困难，如数据集的加载，数据的格式不能满足后续需要，因此阅读了sklearn库中的一部分代码，有选择性的进行了复用。数据与标签无法分离，或是数据与标签排序后后无法对应的情况，查询许多资料后使用argsort（）完美解决该问题。出现了n多错误，通过多次调试之后最终完成。

附：本次实验参考 ：

①*郑捷《机器学习算法原理与编程实践》

②《Python机器学习基础教程》

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持我们。

本文标题: python KNN算法实现鸢尾花数据集分类

本文地址: http://www.cppcns.com/jiaoben/python/281947.html