sklearn算法基础

目录
01 | KNN算法
02 | PCA算法
03 | 决策树
04 | 线性回归

01 | KNN算法

KNN算法，是一个监督式的分类算法。通过对样本数据的导入，建立模型，来预测数据的类别。下面列举了一个简单执行Knn算法的操作，通过建模，放入需要预测的数据，来获得预测结果

1.自动划分测试集和训练集
-以datasets自带的红酒数据集为例
-自动划分测试集和训练集，根据样本的特征来划分类别-训练模型
-建模后，利用测试集训练精准度，导入数据可以自动划分类别

from sklearn.datasets import load_wine # 自带数据及里导入数据
from sklearn.model_selection import train_test_split # 划分测试训练模块
from sklearn.neighbors import KNeighborsClassifier # 导入KNN算法

wine_dataset = load_wine() #将数据集实例化
wine_dataset
# wine_datasets是一个字典，共有data和target两组数据，其中有三种类别，每个样本有
'''{'data': array([[1.423e+01, 1.710e+00, 2.430e+00, ..., 1.040e+00, 3.920e+00,
        ...,
        [1.413e+01, 4.100e+00, 2.740e+00, ..., 6.100e-01, 1.600e+00,
         5.600e+02]]),
 'target': array([0, 0... 1, 1, ...2, 2]),
 'frame': None,
 'target_names': array(['class_0', 'class_1', 'class_2'], dtype='<U7')'''
 
# 通过shape()得知数据集有178组,每组有13个特征,根据13个特征被划分为3个类别
wine_dataset['data'].shape #(178, 13)
#其中random_state = 0是定义一个种子,保证每次出来的数据都一致
X_train,X_test,y_train,y_test = train_test_split(wine_dataset['data'],wine_dataset['target'],random_state=0)
# 模型实例化，并训练模型，查看精准度
knn = KNeighborsClassifier(n_neighbors = 1)
knn.fit(X_train,y_train)
knn.score(X_test,y_test)

# 利用模型进行预测
import numpy as np

X_new = np.array([[13.2,2.77,2.51,18.5,96.6,1.04,2.55,0.57,1.47,6.2,1.05,3.33,820]])
pre