sklearn ——Classification—

我想先说说我初学scikit-learn 的感受吧。刚进入网站，全是英文。本来看汉语时一些专业的词汇都那么晦涩难懂，再全是英文，我就有了一种窒息的感觉，连基础的代码都看不懂，感觉自己什么都学不会，难受。后来使用谷歌浏览器翻译了一下网页，感觉好多了，又去B站上搜索视频教程，才重新燃起对自己的希望。

k近邻算法（nearest neighbors classfication）

k 定义了多少个邻居
教会计算机根据邻居分类
邻居：距离比较近
距离公式：欧氏距离
d=(x1−y1)2+(x2−y2)2+(x3−y3)2+……d = \sqrt{(x1 - y1)^2 + (x2 - y2)^2 + (x3 - y3)^2 + ……}d=(x1−y1)2+(x2−y2)2+(x3−y3)2+……
距离越小，就越近 d<10 规定为邻居
计算获取5个邻居——>统计，类别（富有，贫穷）富有：4个贫穷：1个
4>1 富有>贫穷 ——>80%>20% 计算机返回概率的结果。
结论：我也是富有的
knn算法实例①——>电影分类

import numpy as np
from sklearn.neighbors import KNeighborsClassifier
import pandas as pd
# 分类，电影类型
# 动作 武打镜头：碟中谍6，杀死bill,谍影重重
# 爱情 接吻镜头：泰坦尼克号
# 属性:武打镜头，接吻镜头
# 量化，数量化，数字化
movie = pd.read_excel('./movies.xlsx',sheetname=1)#打开表格
data = movie.iloc[:,1:3]#数据获取
target = movie['分类情况']#数据获取
display(data,target)
#算法，训练
knn=KNeighborsClassifier(n_neighbors=5)
# 训练,算法就知道数据和目标值的关系
knn.fit(data,target)
# 预测，使用，应用
# 碟中谍6：100，3
# 谍影重重5：67，2
# 前任2：1，10
X_test=pd.DataFrame({'武打镜头'：[100，67，1]，'接吻镜头'：[3,2,10]})
X_test
# 计算机根据规则返回结果
# 算法的意见，返回的结果
knn.predict(X_test)

knn算法实例②——>鸢尾花

import numpy as np
from sklearn.neighbors import KNeighborsClassifier
from sklearn import datasets
# 鸢尾花 ：因为自然环境不同，所以类别可以细分
iris = datasets.load_iris()
# print(iris)
X=iris['data']
y=iris['target']
# print(X.shape)
# 结果是（150，4）
# 150代表150个样本，4代表4个属性，花萼长、宽；花瓣长、宽
# 将数据划分，一分为二：一部分用于训练，另一部分用于测试
# 将顺序打乱
index=np.arange(150)
# print(index)
np.random.shuffle(index)
# print(index)
# 150个数据，将打乱顺序的100个取出来，算法学习，留下50个使用算法预测（验证算法是否可靠）
# 应用到实际中，要获取现实中的数据，算法对数据进行分类——>上线：实时进行分类
X_train, X_test = X[index[:100]],X[index[100:]]
y_train,y_test = y[index[:100]],y[index[-50:]]
knn=KNeighborsClassifier(n_neighbors=5)
knn.fit(X_train,y_train)
y_=knn.predict(X_test)
# 对比，看算法，预测的真实的结果，是否对应。对应：大部分正确；否则：算法可能不对
print(y_)
print(y_test)

# 准确率
print((y_==y_test).sum()/50)
print(knn.score(X_test,y_test)) # 将方法进行封装
# 算法返回的结果，使用 bianliang_接收：约定俗成的变量命名guiz
proba_=knn.predict_proba(X_test)# 预测的是概率
print(proba_)

将概率转化成类别[返回最大值的索引]

proba_.argmax(axis=1)

sklearn ——Classification——knn相关推荐

【Python学习】 - sklearn学习 - KNN
前言: 针对一个完整的机器学习框架目前还没有总结出来,所以目前只能总结每一个单独的算法.由于现在研究的重点是算法,所以对于数据的处理,数据的分析和可视化呈现,在现阶段并不进行展示(这样容易陷入纠结和浪 ...
sklearn实现KNN分类算法
sklearn实现KNN分类算法 Pyhthon Sklearn 机器学习库提供了 neighbors 模块,该模块下提供了 KNN 算法的常用方法,如下所示: 类方法说明 KNeighborsCl ...
机器学习Sklearn实战——KNN算法
KNN鸢尾花分类 import matplotlib.pyplot as plt from sklearn.neighbors import KNeighborsClassifier from skl ...
python使用欧氏距离knn_python运用sklearn实现KNN分类算法
KNN(K-Nearest-Neighbours Classiflication)分类算法,供大家参考,具体内容如下最简单的分类算法,易于理解和实现实现步骤:通过选取与该点距离最近的k个样本,在这 ...
sklearn之KNN详解+GridSearchCV使用方法
在了解了KNN的基本原理之后,我们需要学习如何在sklearn中调用KNN算法以及如何用GridSearchCV进行调参首先导入必要的库以及我们所使用的数据集:iris 1 from sklearn ...
sklearn 的 knn 用法
knn原理: 离 x 点最近的 k 个点的出现最多的类别,做为 x 点的分类标识最近:欧式距离,余弦距离,马氏距离(总样本数大于样本维数,样本间的距离增加协方差的逆,表示样本中不同特征的重要性不同) ...
sklearn的knn模型学习
参考: Scikit Learn - KNN Learning 1.6最近邻算法 https://scikit-learn.org/stable/user_guide.html 机器学习中的几种常用距 ...
sklearn之KNN算法
KNN算法核心思想未标记的数据样本,通过距离其最近的k个数据样本进行投票算法原理便利所有的样本点,计算每个样本点与待分类数据的距离,找出k个距离最近的点,统计每个类别的个数,投票数据最多的类别 ...
sklearn的KNN文档中实例代码的注释
链接是: http://scikit-learn.org/stable/modules/generated/sklearn.neighbors.NearestNeighbors.html#sklear ...
sklearn中knn的各种用法总结
knn四种选择 auto ball tree kd tree brute(暴力选择) KNeighborsClassifier(更常用,适用于均匀采样数据) RadiusNeighborsClassi ...

sklearn ——Classification——knn

k近邻算法（nearest neighbors classfication）

sklearn ——Classification——knn相关推荐

最新文章

热门文章