使用scikit-learn中的KNN包实现对鸢尾花数据集或者自定义数据集的的预测

代码:

复制代码
# 导入所需的库
from sklearn.datasets import load_iris  # 导入Iris数据集
from sklearn.model_selection import train_test_split  # 导入用于数据划分的train_test_split函数
from sklearn.preprocessing import MinMaxScaler, StandardScaler  # 导入数据归一化和标准化的类
from sklearn.neighbors import KNeighborsClassifier  # 导入K邻近分类器(KNN)

# 加载Iris数据集,包含特征数据和目标标签
iris = load_iris()

# 将数据集划分为训练集和测试集,其中20%作为测试集,80%作为训练集
x_train, x_test, y_train, y_test = train_test_split(iris['data'], iris['target'], test_size=0.2, random_state=42)

# 初始化MinMaxScaler,将特征缩放到[0, 1]的范围
transfer = MinMaxScaler(feature_range=(0, 1))

# 初始化StandardScaler,将特征进行标准化,均值为0,方差为1
transfer1 = StandardScaler()

# 对训练数据进行标准化
ret_train_data = transfer1.fit_transform(x_train)

# 对测试数据进行标准化
ret_test_data = transfer1.fit_transform(x_test)

# 设置KNN算法中的邻居数为5
n_neighbors_num = 5

# 初始化KNN分类器,设置邻居数
knn_model = KNeighborsClassifier(n_neighbors=n_neighbors_num)

# 用标准化后的训练数据训练KNN模型
knn_model.fit(ret_train_data, y_train)

# 用测试集数据进行预测
y_pre = knn_model.predict(ret_test_data)

# 输出预测结果
print("预测值是: \n", y_pre)

# 输出真实标签
print("真实值是 : \n", y_test)

# 对比预测值和真实值,输出是否一致的布尔值
print("预测值和真实值的对比是: \n", y_pre == y_test)

# 计算KNN模型在测试集上的准确率
score = knn_model.score(ret_test_data, y_test)

# 输出模型的准确率
print("准确率是: \n", score)

结果:

相关推荐
刘海东刘海东1 小时前
结构型智能科技的关键可行性——信息型智能向结构型智能的转变(修改提纲)
人工智能·算法·机器学习
路溪非溪2 小时前
机器学习之线性回归
人工智能·机器学习·线性回归
遇雪长安4 小时前
差分定位技术:原理、分类与应用场景
算法·分类·数据挖掘·rtk·差分定位
是Dream呀4 小时前
基于连接感知的实时困倦分类图神经网络
神经网络·分类·数据挖掘
Blossom.1184 小时前
机器学习在智能制造业中的应用:质量检测与设备故障预测
人工智能·深度学习·神经网络·机器学习·机器人·tensorflow·sklearn
巴伦是只猫4 小时前
【机器学习笔记 Ⅱ】1 神经网络
笔记·神经网络·机器学习
烟锁池塘柳05 小时前
【深度学习】强化学习(Reinforcement Learning, RL)主流架构解析
人工智能·深度学习·机器学习
AI数据皮皮侠8 小时前
中国区域10m空间分辨率楼高数据集(全国/分省/分市/免费数据)
大数据·人工智能·机器学习·分类·业界资讯
张德锋8 小时前
Pytorch实现天气识别
机器学习
Wilber的技术分享10 小时前
【机器学习实战笔记 14】集成学习:XGBoost算法(一) 原理简介与快速应用
人工智能·笔记·算法·随机森林·机器学习·集成学习·xgboost