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
微光-沫年4 小时前
150-SWT-MCNN-BiGRU-Attention分类预测模型等!
机器学习·matlab·分类
SHIPKING3935 小时前
【机器学习&深度学习】LLamaFactory微调效果与vllm部署效果不一致如何解决
人工智能·深度学习·机器学习
汉唐明月9 小时前
机器学习:使用LSTM训练情感分析模型
机器学习
木头左10 小时前
自动驾驶领域中的Python机器学习
python·机器学习·自动驾驶
风筝超冷12 小时前
【Milvus合集】1.Milvus 的核心概念(collection、field、index、partition、segment)
人工智能·机器学习·milvus
weiwuxian12 小时前
让AI从话痨变成老中医:连续对话的实现秘密
机器学习
荼蘼13 小时前
基于 KNN 算法的手写数字识别项目实践
人工智能·算法·机器学习
旧时光巷16 小时前
【机器学习-2】 | 决策树算法基础/信息熵
算法·决策树·机器学习·id3算法·信息熵·c4.5算法
落了一地秋16 小时前
4.5 优化器中常见的梯度下降算法
人工智能·算法·机器学习
山烛18 小时前
KNN 算法中的各种距离:从原理到应用
人工智能·python·算法·机器学习·knn·k近邻算法·距离公式