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:

# 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
Sol-itude4 小时前
【文献阅读】Collective Decision for Open Set Recognition
论文阅读·人工智能·机器学习·支持向量机
机器学习之心4 小时前
分类预测 | Matlab实现CPO-SVM冠豪猪算法优化支持向量机多特征分类预测
算法·matlab·分类·cpo-svm
lihuhelihu6 小时前
精神分裂症患者GAF评分的可视化分析|使用集成学习模型 LightGBM
人工智能·python·机器学习·scikit-learn·集成学习·sklearn·boosting
明明真系叻8 小时前
2025.3.2机器学习笔记:PINN文献阅读
人工智能·笔记·深度学习·机器学习·1024程序员节·pinn
Donvink8 小时前
【AIGC系列】4:Stable Diffusion应用实践和代码分析
人工智能·深度学习·机器学习·stable diffusion·aigc·transformer
少说多想勤做9 小时前
【前沿 热点 顶会】CVPR 2025和目标分类、检测、分割、重识别有关的论文
人工智能·分类·数据挖掘·cvpr·分割·检测·重识别
果冻人工智能9 小时前
使用AI后为什么思考会变得困难?
人工智能·机器学习·ui·ai员工
从入门-到精通10 小时前
通过统计学视角解读机器学习:从贝叶斯到正则化
人工智能·深度学习·神经网络·机器学习
CS创新实验室10 小时前
《机器学习数学基础》补充资料:可逆矩阵的手工计算方法和总结
人工智能·机器学习·矩阵·机器学习数学基础
nuise_10 小时前
李宏毅机器学习课程学习笔记04 | 浅谈机器学习-宝可梦、数码宝贝分类器
笔记·学习·机器学习