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)
    • • [安装 `sklearn` 库](#安装 sklearn 库)
      • 导入库并准备数据
      • [使用 `sklearn` 实现 KNN 分类](#使用 sklearn 实现 KNN 分类)
      • 详细说明
      • 重点内容

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 库

如果还没有安装 sklearn 库，可以使用以下命令进行安装：

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）。

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。

# 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 库 ：

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

2. 加载数据集：

   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：

   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：

   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：

   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：

   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：

   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 库 ：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。