用交叉验证调整KNN模型的参数

最新推荐文章于 2024-07-09 17:43:26 发布

Rivertao

最新推荐文章于 2024-07-09 17:43:26 发布

阅读量1.6k

点赞数 2

分类专栏： python

本文链接：https://blog.csdn.net/weixin_41789633/article/details/81777964

版权

该博客介绍了一种通过交叉验证来调整KNN（K最近邻）模型参数的方法。首先，数据从CSV文件加载并处理缺失值，然后将类别特征转化为数值。接着进行特征归一化，数据分为训练集和测试集。使用KRange(1, 31)进行遍历，通过10折交叉验证计算不同k值下模型的平均准确性，并找出最优的k值。最终，利用最优k值训练KNN模型并评估其在测试集上的准确率。" 50360148,3740683,Spark Shuffle内存管理与优化,"['Spark', '内存优化', '分布式计算']

摘要由CSDN通过智能技术生成

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
#加载数据
def inspect_data(file_root):
    dataframe=pd.read_csv(file_root)
    print("数据基本信息：")
    print(dataframe.info())
    print("数据有%i行，%i列"%(dataframe.shape[0],dataframe.shape[1]))
    print("数据预览：")
    print(dataframe.head())
    return dataframe
#缺失数据处理
def processing_missing_data(dataframe):
    if dataframe.isnull().values.any():
        dataframe=dataframe.dropna()
        #dataframe=dataframe.fillna(0)
    return dataframe
#加载数据
dataframe=pd.read_csv("H:/pythonfigure/voice.csv")
#处理缺失数据
dataframe=processing_missing_data(dataframe)
#数据转化
dataframe.replace("male",1,inplace=True)
dataframe.replace("female",0,inplace=True)
#数据准备
x=dataframe.ix[:,:-1]
y=dataframe.ix[:,-1]
#特征归一化
from sklearn import preprocessing
x=preprocessing.scale(x)
#分割训练集和测试集
from sklearn.model_selection import train_test_spli