机器学习分类思想

分类思想：

机器分类就是通过分析数据，找出属于不同类别的特征值的规律（或者范围），然后检测需要评判的值更接近于那个类别（只是更接近于，在数据上的体现就是代表评判对象特征值的一组向量与类别（向量组）之间的最小距离），选取最优解。

分类和线性回归类似，都只能预测而不能十分的断定，通俗的将也是存在一定的概率问题。

 

这里是一个简单的实例，就是通过分析鸢尾花的三个亚种的花萼和花瓣的特征值，形成三个亚种特征值的群组，这是对大量数据训练的结果，然后给出一个新的对象（一组新的特征值向量），对其进行预测，确定（概率性确定）其属于哪一个亚种。

from sklearn.model_selection import train_test_split
from sklearn.feature_extraction import DictVectorizer
from sklearn.tree import DecisionTreeClassifier

def knn_sklearn():

    li=load_iris()

    x_train,x_test,y_train,y_test=train_test_split(li.data,li.target)

    knn=KNeighborsClassifier(n_neighbors=5)

    knn.fit(x_train,y_train)
    
    print(knn.predict(np.array([[6.3,3,5.2,2.3]])))
knn_sklearn()