KNN算法
有监督学习算法:现有一组数据源,含多个特征值,每个特征值的样本对应一个标签。
现在输入一组特征值,需要得到预测值。
在数据源中寻找k个距离最近的数据,进行分类。
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.neighbors import KNeighborsRegressor
# 读取数据
data = np.read_csv('./listing.csv')
features= ['accommodates','bedrooms','bathrooms','beds','price','minimum_nights','maximum_nights','number_of_reviews']
selected_data = data[features]
# 训练集合
train_set = selected_data[:2000]
# 测试集合
text_set = selected_data[2000:]
KNN = KNeighborsRegressor()
# 开始训练
KNN.fit(train_set[features],train_set['price']) # 输入样本与标签训练模型,拟合一个函数
predict = knn.predict(test_set[features]) # 输入特征向量,求测试集与样本集的欧氏距离,找出k个最近的进行'price'预测
# 画出对比图
plt.bar([1,2,3,4,5],test_data['price'],width = 0.5)
plt.bar([i+0.5 for i in range(0,5)],predict,width = 0.5)
过程,读取数据,选取部分特征,将数据分为训练集合合测试集合,使用knn训练并用测试集合特征值去预测,得到一组预测的数据。