利用KNN算法对鸢尾花分类

目录

一、特征预处理

1.归一化

2.标准化

二、鸢尾花识别案例

一、特征预处理

特征工程目的：把数据转换成机器更容易识别的数据

特征的单位或大小相差较大，或某特征的方差相比其他的特征要大出几个数量级，容易影响（支配）目标结果，使得一些算法无法学习到其它的特征，故需要进行归一化或者标准化处理。

1.归一化

通过对原始数据进行变换把数据映射到(默认为[0,1])之间

公式如下：

作用于每一列，max为一列的最大值，min为一列的最小值,那么 X'' 为最终结果，mx，mi分别为指定区间值默认mx为1,mi为0

数据归一化API:

1.sklearn.preprocessing.MinMaxScaler(feature_range=(0,1)… )feature_range缩放区间2.fit_transform(X)将特征进行归一化缩放

2.标准化

通过对原始数据进行变换把数据变换到均值为0，标准差为1范围内的数据

公式如下：

      mean为平均值，σ为标准差

数据标准化API:

1.sklearn.preprocessing. StandardScaler()

2.fit_transform(X)将特征进行归一化缩放

二、鸢尾花识别案例

实现流程：1.获取数据集 2.数据基本处理 3.数据集预处理-数据标准化 4.机器学习(模型训练) 5.模型评估 6.模型预测

下面的代码是直接一步到位的

运行结果：

后面还有好几种结果，这里我就给大家列出三种，剩下的大家可以试着写写代码然后运行看看。