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
大模型真好玩13 分钟前
深入浅出LangGraph AI Agent智能体开发教程(五)—LangGraph 数据分析助手智能体项目实战
人工智能·python·mcp
测试老哥18 分钟前
Selenium 使用指南
自动化测试·软件测试·python·selenium·测试工具·职场和发展·测试用例
百锦再44 分钟前
[特殊字符] Python在CentOS系统执行深度指南
开发语言·python·plotly·django·centos·virtualenv·pygame
张子夜 iiii1 小时前
4步OpenCV-----扫秒身份证号
人工智能·python·opencv·计算机视觉
潮汐退涨月冷风霜2 小时前
数字图像处理(1)OpenCV C++ & Opencv Python显示图像和视频
c++·python·opencv
酷飞飞8 小时前
Python网络与多任务编程:TCP/UDP实战指南
网络·python·tcp/ip
数字化顾问9 小时前
Python:OpenCV 教程——从传统视觉到深度学习:YOLOv8 与 OpenCV DNN 模块协同实现工业缺陷检测
python
学生信的大叔10 小时前
【Python自动化】Ubuntu24.04配置Selenium并测试
python·selenium·自动化
诗句藏于尽头11 小时前
Django模型与数据库表映射的两种方式
数据库·python·django
智数研析社12 小时前
9120 部 TMDb 高分电影数据集 | 7 列全维度指标 (评分 / 热度 / 剧情)+API 权威源 | 电影趋势分析 / 推荐系统 / NLP 建模用
大数据·人工智能·python·深度学习·数据分析·数据集·数据清洗