测试数据集train_test_split

首先对上一篇的k临近算法进行补充

如何使用sklearn中的knn

from sklearn.neighbors import KNeighborsClassifier
//和附件的6个点进行比较
knn_classifier=KNeighborsClassifier(n_neighbors=6)
//进行模型拟合
knn_classifier.fit(x_train,y_train)
//进行预测 x是要预测的数据，进行矩阵化
X_predict=x.reshape(1,-1)
y_predict=knn_classifier.predict(X_predict)
y_predict[0]

以下是jupyter中代码截图

测试方法，通过将数据集分为训练集和测试集，通过测试集来验证模型的准确性,这里我们下载sklearn中的iris数据集，来验证knn算法的准确性

import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets

iris=datasets.load_iris()
X=iris.data
y=iris.target

//由于数据集可能是顺序排列，同一种类型的数据排在了一起，所以我们需要将数据集顺序打乱
//方法一：通过矩阵合并的方式，将X,y矩阵合并，一起打乱
//方法二：通过索引方式打乱，确保X与y的一一对应关系,这里采用方法二

shuffle_indexes=np.random.permutation(len(X))
test_redio=0.2 //设置测试集所占比例
test_size=int(len(X)*test_redio)

test_indexes=shuffle[:test_size]
train_indexes=shuffle[test_size:]

x_train=X[train_indexes]
y_train=y[train_indexes]
x_test=X[test_indexes]
y_test=y[test_indexes]

使用sklearn中的train_test_split

from sklearn.model-selection import train_test_split
x_train,x_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=666)
//测试knn算法正确率
from sklearn.neighbors import KNeighborsClassifier
knnclassifier=KNeighborsClassifier(n_neighbors=3)
knnclassifier.fit(x_train,y_trian)
y_predict=knnclassifier.predict(x_test)
sum(y_predict==y_test)/len(y_test)

以下是jupyter中代码截图


以上是学习慕课网课程做的笔记，欢迎批评指导，如有侵权删。