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
初学小刘1 小时前
决策树:机器学习中的强大工具
算法·决策树·机器学习
小五1271 小时前
机器学习(决策树)
人工智能·决策树·机器学习
Wah-Aug1 小时前
从决策树基础到熵与信息增益
决策树·机器学习·分类
没有不重的名么1 小时前
Tmux Xftp及Xshell的服务器使用方法
服务器·人工智能·深度学习·机器学习·ssh
拾零吖3 小时前
吴恩达 Machine Learning(Class 1)
人工智能·机器学习
hllqkbb4 小时前
人体姿态估计-动手学计算机视觉14
人工智能·opencv·计算机视觉·分类
wydaicls5 小时前
用函数实现方程函数解题
人工智能·算法·机器学习
努力当一个优秀的程序员5 小时前
3.逻辑回归:从分类到正则化
人工智能·机器学习
cwn_6 小时前
牛津大学xDeepMind 自然语言处理(1)
人工智能·深度学习·机器学习·自然语言处理
小五1278 小时前
机器学习实例应用
人工智能·机器学习