KNN课堂（分类课堂(可用kd树/特征归一化提高精度)））

实验代码：

导入所需要的库

import numpy as np

import pandas as pd

from sklearn.ensemble import RandomForestClassifier

from sklearn.model_selection import train_test_split

from sklearn.neighbors import KNeighborsClassifier

导入数据集

df = pd.read_csv('C:\\Users\\Administrator\\Desktop\\iris.csv')

提取特征和标签

X = df.iloc[:, 0:4].values

y = df.iloc[:, 4].values

将数据集分为训练集和测试集

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

建立 KNN 模型

"""

1. n_neighbors：整数值，表示要考虑的最近邻的数量。

2. weights：可以是'uniform'或者是'distance'，表示在计算最近邻的距离时考虑的权重，'uniform'表示所有最近邻的距离权重都一样，而'distance'表示距离越近的最近邻权重越大。

3. algorithm：可以是'ball_tree'、'kd_tree'或者'brute'，表示使用何种算法来计算最近邻的距离。

4. leaf_size：整数值，表示在构建 ball_tree 或者 kd_tree 时考虑的叶节点的尺寸。

5. metric：字符串值，表示使用何种度量来计算最近邻的距离，常用的有'euclidean'（欧几里得距离）和'minkowski'（闵可夫斯基距离）。

"""

knn = KNeighborsClassifier(n_neighbors=5)

knn.fit(X, y)

训练模型

knn.fit(X_train, y_train)

预测测试集结果

y_pred = knn.predict(X_test)

计算准确率

accuracy = knn.score(X_test, y_test)

打印准确率

print("Accuracy: {}".format(accuracy))

实验结果：

数据集：

见所提供资料