KNN算法的具体应用--鸢尾花数据处理

KNN算法的具体应用–鸢尾花数据处理

一、介绍

这里用的是KNN算法，如下面的表格，根据鸢尾花四个特征值（花萼长度、花萼宽度、花瓣长度、花瓣宽度）来区分鸢尾花的品种，鸢尾花被分为三种类型（即三种标签值，分别为山鸢尾、变色鸢尾、菖蒲锦葵）

	feature1	feature2	feature3	feature4	label
	花萼长度	花萼宽度	花瓣长度	花瓣宽度	品种
1	5.1	3.5	1.4	0.2	0
2	4.9	3.	1.4	0.2	0
3	6.2	3.4	5.4	2.3	2

Python的sklearn库中自带了鸢尾花的数据集，所以我们可以用这些数据集来训练模型并预测新的鸢尾花的品种。

二、实现流程

1、数据加载
2、数据获取（获取特征值和标签值）
3、数据分割（原本的数据是按照标签值排序的，所以要将数据打乱。同时将数据分为样本集和测试集）
4、模型选择（当然是KNN）
5、模型训练fit
6、模型评分score
7、模型预测

三、具体代码

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier #分类算法
#数据加载
iris_dataset = load_iris()
#特征数据
iris_feature = iris_dataset["data"]
#标签数据
iris_label = iris_dataset["target"]
#数据分割，这里的x_train和y_train代表样本集的特征值和标签值，x_test和y_test代表测试集的特征值和标签值
x_train,x_test,y_train,y_test = 		train_test_split(iris_feature,iris_label,test_size=0.2,random_state=6)
#算法选择，KNN算法中的K值也是在这里定的
knn = KNeighborsClassifier(n_neighbors=3)
#根据数据训练模型
knn.fit(x_train,y_train)
#模型评分
score = knn.score(x_test,y_test)
print(score)
#模型测试，将分出来的测试集传到训练好的模型中，看看是否和真实的标签值一致
y_predict = knn.predict(x_test)
print(predict_y == y_test)