KNN实践—鸢尾花分类

KNN实现鸢尾花分类
KNeighborsClassifier：

class sklearn.neighbors.KNeighborsClassifier(n_neighbors=5, weights=’uniform’, 
											algorithm=’auto’, leaf_size=30, 
											p=2, metric=’minkowski’, 
											metric_params=None, 
											n_jobs=None, **kwargs)

参数：

• n_neighbors：选取最近的k个点
  weights：uniform（默认）表示所有邻近点的权重相等，distance表示距离近的点比距离远的点影响更大。

• algorithm：auto（默认）表示算法自己决定适合的搜索算法，其余的不做详细说明。 leaf_size：构造kd树和ball树的大小

• p：默认为2，表示距离计算方式，1：曼哈顿距离，2：欧氏距离

• metric：距离度量，默认‘minkowski’（用的较少，知道有这么个参数就行）

• metric_params：距离公式的其他关键参数，这个可以不管，使用默认的None即可。

• n_jobs：并行处理设置。默认为1，临近点搜索并行工作数。如果为-1，那么CPU的所有cores都用于并行工作。

实现鸢尾花分类：

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report,confusion_matrix
from sklearn import neighbors
import random

# 载入数据
iris = datasets.load_iris()

# 数据预处理，打乱顺序
data_size = iris.data.shape[0]          # 求出数据长度
index = [i for i in range(data_size)]   # 生成索引
random.shuffle(index)                   # 打乱索引
iris.data = iris.data[index]
iris.target = iris.target[index]

#切分数据集
test_size = 40
x_train = iris.data[test_size:]
x_test =  iris.data[:test_size]
y_train = iris.target[test_size:]
y_test = iris.target[:test_size]

# 构建模型
model = neighbors.KNeighborsClassifier(n_neighbors=5)
model.fit(x_train, y_train)
pre = model.predict(x_test)

# 进行评估
print(classification_report(y_test, pre))
#输出混淆矩阵
print(confusion_matrix(y_test,pre))

建议观看链接：https://blog.csdn.net/sinat_30353259/article/details/80901746