• 风流鼠博客,分享各大网络学校破解课程无水印视频资源
  • 风流鼠博客,分享新东方沪江金程中公高顿学尔思无水印视频课程
  • 请转款忘记备注ID的小伙伴邮件告知或转款留言ID或网站留言时间金额

python机器学习之K最近邻算法

嘻哈武当宫 风流鼠 4周前 (06-25) 38次浏览 0个评论 扫描二维码
文章目录[隐藏]

1.算法原理:近朱者赤,近墨者黑

2.K最近邻算法的用法:

2.1在分类任务中的应用

1.将数据用图形表示出来::

#导入数据集生成器
from sklearn.datasets import make_blobs
#导入KNN分类器
from sklearn.neighbors import KNeighborsClassifier
# 导入画图工具
import matplotlib.pyplot as plt
# 导入数据集拆分工具

#生成样本数为200,分类为2的数据集
data = make_blobs(n_samples=200,centers=2,random_state=8)
X,y = data
#将生成的数据集进行可视化
plt.scatter(X[:,0],X[:,1],c=y,cmap=plt.cm.spring,edgecolor='k')
plt.show()
python机器学习之K最近邻算法
image.png

2.KNN模型拟合数据:

import numpy as np
clf = KNeighborsClassifier()
clf.fit(X,y)
# 画图
x_min,x_max = X[:,0].min()-1,X[:,0].max()+1
y_min,y_max = X[:,1].min()-1,X[:,1].max()+1
xx,yy = np.meshgrid(np.arange(x_min,x_max,.02),np.arange(y_min,y_max,.02))
z = clf.predict(np.c_[xx.ravel(),yy.ravel()])
z = z.reshape(xx.shape)
plt.pcolormesh(xx,yy,z,cmap=plt.cm.Pastel1)
plt.scatter(X[:,0],X[:,1],c=y,cmap=plt.cm.spring,edgecolor='k')
plt.xlim(xx.min(),xx.max())
plt.ylim(yy.min(),yy.max())
plt.title("Classifier:KNN")
plt.scatter(6.75,4.82,marker='*',c='red',s=200)
plt.show()
python机器学习之K最近邻算法
image.png

3.测试:
3.1画出新数据点

plt.scatter(6.75,4.82,marker='*',c='red',s=200)
python机器学习之K最近邻算法
image.png

3.2预测新数据点所在分类:

print(clf.predict([[6.75,4.82]]))
python机器学习之K最近邻算法
image.png
2.3K最近邻算法处理多元分类任务

1.用散点图进行数据可视化

from sklearn.datasets import make_blobs
data2 = make_blobs(n_samples=500,centers=5,random_state=8)
x2,y2 = data2
plt.scatter(x2[:,0],x2[:,1],c=y2,cmap=plt.cm.spring,edgecolor='k')
plt.show()
python机器学习之K最近邻算法
image.png

2.用K最近邻算法模拟数据

clf = KNeighborsClassifier()
clf.fit(x2,y2)
x_min,x_max = x2[:,0].min()-1,x2[:,0].max()+1
y_min,y_max = x2[:,1].min()-1,x2[:,1].max()+1
xx,yy = np.meshgrid(np.arange(x_min,x_max,.02),np.arange(y_min,y_max,.02))
z = clf.predict(np.c_[xx.ravel(),yy.ravel()])
z = z.reshape(xx.shape)
plt.pcolormesh(xx,yy,z,cmap=plt.cm.Pastel1)
plt.scatter(x2[:,0],x2[:,1],c=y2,cmap=plt.cm.spring,edgecolor='k')
plt.xlim(xx.min(),xx.max())
plt.ylim(yy.min(),yy.max())
plt.title("Classifier:KNN")
plt.show()
python机器学习之K最近邻算法
image.png

3.新数据点测试
print(clf.score(x2,y2))
结果:0.956

2.2K最近邻算法用于回归分析

1.数据可视化:

from sklearn.datasets import make_regression
X, y = make_regression(n_features=1,n_informative=1,noise=50,random_state=8)
plt.scatter(X,y,c='orange',edgecolor='k')
plt.show()
python机器学习之K最近邻算法
image.png

2.拟合数据:

from sklearn.neighbors import KNeighborsRegressor
reg = KNeighborsRegressor()
reg.fit(X,y)
z = np.linspace(-3,3,200).reshape(-1,1)
plt.scatter(X,y,c='orange',edgecolor='k')
plt.plot(z, reg.predict(z),c='k',linewidth=3)
plt.title('KNN Regressor')
plt.show()
python机器学习之K最近邻算法
image.png

打印模型分数
print(‘模型评分:{:.2f}’.format(reg.score(X,y)))
模型评分:0.77
3.调整n_neighbors默认参数5降低为2重新训练模型拟合数据:

from sklearn.neighbors import KNeighborsRegressor
reg2 = KNeighborsRegressor(n_neighbors=2)
reg2.fit(X,y)
plt.scatter(X,y,c='orange',edgecolor='k')
plt.plot(z, reg2.predict(z),c='k',linewidth=3)
plt.title('KNN Regressor: n_neighbors=2')
plt.show()
python机器学习之K最近邻算法
image.png

打印模型分数:
print(‘模型评分:{:.2f}’.format(reg2.score(X,y)))
模型评分:0.86

3.项目实战:

1.拆分红酒数据集,用模型拟合红酒训练数据集:

from sklearn.datasets import load_wine
#从sklearn的datasets模块载入红酒数据集
wine_dataset = load_wine()
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(
wine_dataset['data'], wine_dataset['target'], random_state=0)
#KNN模型
from sklearn.neighbors import KNeighborsClassifier
knn = KNeighborsClassifier(n_neighbors = 1)
knn.fit(X_train, y_train)

2.打印测试集得分:
print(‘测试数据集得分:{:.2f}’.format(knn.score(X_test, y_test)))
测试数据集得分:0.76
3.预测新的数据集:

import numpy as np
X_new = np.array([[13.2,2.77,2.51,18.5,96.6,1.04,2.55,0.57,1.47,6.2,1.05,
                  3.33,820]])
prediction = knn.predict(X_new)
print("预测新红酒的分类为:{}".format(wine_dataset['target_names'][prediction]))

预测新红酒的分类为:[‘class_2’]

print('训练数据集得分:{:.2f}'.format(knn.score(X_train, y_train)))
训练数据集得分:1.00


风流鼠博客版权所有,禁止一切转载!本文链接python机器学习之K最近邻算法
喜欢 (0)
风流鼠
关于作者:
风流鼠,无水印破解网课资源博客管理员。固以正版为尊,因财力不济使然。关于求学:人以不知而为耻,当以求学而为荣。关于宅男:宅男撸主非我愿,盖因生理驱求。
发表我的评论
取消评论
表情 加粗 删除线 居中 斜体 签到

Hi,您需要填写昵称和邮箱!

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址