使用 Python 中的 `sklearn` 库实现 KNN 分类

Scikit-Learn

      • [使用 Python 中的 `sklearn` 库实现 KNN 分类](#使用 Python 中的 sklearn 库实现 KNN 分类)

使用 Python 中的 sklearn 库实现 KNN 分类

K最近邻(K-Nearest Neighbors, KNN)是一种简单且有效的分类算法。在 Python 中,我们可以使用 sklearn 库(也称为 Scikit-Learn)轻松实现 KNN 分类。sklearn 库提供了丰富的机器学习算法,并且封装了许多底层实现,使得我们可以专注于算法的应用和调优,而无需编写底层代码。

安装 sklearn

如果还没有安装 sklearn 库,可以使用以下命令进行安装:

bash 复制代码
pip install scikit-learn
导入库并准备数据

首先,我们需要导入必要的库,并准备数据集。在这个示例中,我们将使用 sklearn 自带的鸢尾花数据集(Iris dataset)。

python 复制代码
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score

# 加载数据集
iris = load_iris()
X, y = iris.data, iris.target

# 分割数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 数据标准化
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)
使用 sklearn 实现 KNN 分类

在准备好数据后,我们可以使用 KNeighborsClassifier 进行 KNN 分类。

python 复制代码
# 初始化 KNN 分类器,指定 k 值
knn = KNeighborsClassifier(n_neighbors=3)

# 训练模型
knn.fit(X_train, y_train)

# 进行预测
y_pred = knn.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy * 100:.2f}%")
详细说明
  1. 安装 sklearn

    使用 pip install scikit-learn 命令安装该库。

  2. 加载数据集

    python 复制代码
    from sklearn.datasets import load_iris
    iris = load_iris()
    X, y = iris.data, iris.target

    我们使用 load_iris 方法加载鸢尾花数据集。

  3. 分割数据集

    python 复制代码
    from sklearn.model_selection import train_test_split
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

    使用 train_test_split 方法将数据集分为训练集和测试集,其中 30% 的数据用于测试。

  4. 数据标准化

    python 复制代码
    from sklearn.preprocessing import StandardScaler
    scaler = StandardScaler()
    X_train = scaler.fit_transform(X_train)
    X_test = scaler.transform(X_test)

    标准化数据有助于提高模型的性能。我们使用 StandardScaler 进行数据标准化。

  5. 初始化 KNN 分类器

    python 复制代码
    from sklearn.neighbors import KNeighborsClassifier
    knn = KNeighborsClassifier(n_neighbors=3)

    我们初始化一个 KNN 分类器,并指定 k=3

  6. 训练模型

    python 复制代码
    knn.fit(X_train, y_train)

    使用训练集训练模型。

  7. 进行预测并计算准确率

    python 复制代码
    from sklearn.metrics import accuracy_score
    y_pred = knn.predict(X_test)
    accuracy = accuracy_score(y_test, y_pred)
    print(f"Accuracy: {accuracy * 100:.2f}%")

    使用测试集进行预测,并计算模型的准确率。

重点内容
  • 安装 sklearn :通过 pip install scikit-learn 安装库。
  • 分割数据集 :使用 train_test_split 方法分割数据集为训练集和测试集。
  • 数据标准化 :使用 StandardScaler 对数据进行标准化处理。
  • 初始化 KNN 分类器 :使用 KNeighborsClassifier 初始化分类器。
  • 训练模型:使用训练集训练 KNN 模型。
  • 进行预测并计算准确率:使用测试集进行预测,并计算模型的准确率。

使用 sklearn 库,我们可以轻松地实现 KNN 分类,并快速进行模型的训练、预测和评估。这种方法不仅简化了代码编写,还提高了开发效率,是机器学习实践中非常实用的工具。

相关推荐
FriendshipT3 分钟前
目标检测:使用自己的数据集微调DEIMv2进行物体检测
人工智能·pytorch·python·目标检测·计算机视觉
平谷一勺28 分钟前
数据清洗-缺失值的处理
python·数据分析
末世灯光36 分钟前
时间序列入门第一问:它和普通数据有什么不一样?(附 3 类典型案例)
人工智能·python·机器学习·时序数据
开心-开心急了38 分钟前
Flask入门教程——李辉 第一、二章关键知识梳理(更新一次)
后端·python·flask
锦***林40 分钟前
用 Python 写一个自动化办公小助手
开发语言·python·自动化
www.021 小时前
微信克隆人,聊天记录训练专属AI(2.WeClone训练模型)
人工智能·python·微信·聊天克隆人·微信克隆人
Gitpchy2 小时前
Day 20 奇异值SVD分解
python·机器学习
MediaTea3 小时前
Python 第三方库:matplotlib(科学绘图与数据可视化)
开发语言·python·信息可视化·matplotlib
草莓熊Lotso3 小时前
C++ 方向 Web 自动化测试入门指南:从概念到 Selenium 实战
前端·c++·python·selenium
我是李武涯3 小时前
PyTorch Dataloader工作原理 之 default collate_fn操作
pytorch·python·深度学习