KNeighborsClassifier() 函数
KNeighborsClassifier()
对Iris数据用KNN分类
以用萼片分类为例
1.将150条数据分为140条训练数据和10条验证数据
import numpy as np
from sklearn import datasets
np.random.seed(0)
iris = datasets.load_iris()
x = iris.data
y = iris.target
i = np.random.permutation(len(iris.data)) #创建随机列表用于将数据集中的元素打乱
x_train = x[i[:-10]]
y_train = y[i[:-10]]
x_test = x[i[-10:]]
y_test = y[i[-10:]]
2.调用分类器构造函数，用 fit()函数进行训练
from sklearn.neighbors import KNeighborsClassifier
knn = KNeighborsClassifier()
knn.fit(x_train,y_train)
3.调用 predict()函数进行精度验证
knn.predict(x_test)
print(knn.predict(x_test)) #输出测试集预测出的iris类型
print(y_test) #输出测试集实际iris类型
输出结果为
[1 2 1 0 0 0 2 1 2 0]
[1 1 1 0 0 0 2 1 2 0]
结果表明对于测试集来说分类精度达到90%
4.分类结果可视化，绘制散点图及决策边界
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.colors import ListedColormap
from sklearn import datasets
from sklearn.neighbors import KNeighborsClassifier
iris = datasets.load_iris()
x = iris.data[:,:2]
y = iris.target
x_min, x_max = x[:,0].min()-0.5, x[:,0].max()+0.5
y_min, y_max = x[:,1].min()-0.5, x[:,1].max()+0.5
#MESH
cmap_light = ListedColormap(['#AAAAFF','#AAFFAA','#FFAAAA'])
h = 0.02
xx, yy = np.meshgrid(np.arange(x_min,x_max,h),np.arange(y_min,y_max,h))
knn = KNeighborsClassifier()
knn.fit(x,y)
Z = knn.predict(np.c_[xx.ravel(),yy.ravel()]) #ravel()扁平化操作
Z = Z.reshape(xx.shape) #变回与xx同样行列形状
plt.figure()
plt.pcolormesh(xx,yy,Z,cmap=cmap_light)
#plot the training points
plt.scatter(x[:,0],x[:,1],c=y)
plt.xlim(xx.min(),xx.max())
plt.ylim(yy.min(),yy.max())
plt.show()
参考:
法比奥·内利. Python数据分析实战：第2版.北京：人民邮电出版社, 2019.11.
(1条消息) sklearn.neighbors.KNeighborsClassifier()函数解析（最清晰的解释）_种树最好的时间是10年前，其次是现在！！！-CSDN博客
Original: https://blog.csdn.net/weixin_46753186/article/details/122021929
Author: weixin_46753186
Title: python机器学习学习笔记（二）
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/666031/
转载文章受原作者版权保护。转载请注明原作者出处！