sklearn——model_selection——knn手写识别系统+iris分类

X,y划分成训练和验证数据

# 模型选择，可以打乱顺序，按照比例进行划分
from sklearn.model_selection import train_test_split
# test_size = 0.2 ,train_size =0.8;训练：测试 = 4：1
X_train ,X_test ,y_train,y_test = train_test_split(X,y,test_size=0.2)

算法训练和预测（验证）

import numpy as np
from sklearn.neighbors import KNeighborsClassifier
# 模型选择，可以打乱顺序，按照比例进行划分
from sklearn.model_selection import train_test_split
# test_size = 0.2 ,train_size =0.8;训练：测试 = 4：1
X_train ,X_test ,y_train,y_test = train_test_split(X,y,test_size=0.2)
# 数据不符合要求，reshape改变形状，将3维数据变成2维的
X_train = X_train.reshape(4000,-1)
knn = KNeighborsClassifier(n_neighbors=63)# 选择几个关键的邻居
knn.fit(X_train,y_train)
# 使用算法进行预测，保留了1000个数据，算法没见过
# %%time 计时
X_test.reshape(1000,-1)
y_ = knn.predict(X_test)
# 准确率 等效算法，相当于求平均值
(y_==y_test).sum()/1000
(y_==y_test).mean()

knn——iris分类

import  numpy as np
import matplotlib.pylab as pyb
#%matplotlib inline
from sklearn.neighbors import KNeighborsClassifier
from sklearn import datasets
X,y = datasets.load_iris(True)
# 4个属性，4维空间，4维的数据
# print(X.shape)
# （150，4）（样本数量，属性数量）
# 降维，切片
# 训练数据
X = X[:,:2]
# 测试数据 shape (2,2)
print(X.shape)
pyb.scatter(X[:,0],X[:,1],c=y)
# pyb.show()
knn = KNeighborsClassifier(n_neighbors=5)
# 使用150个样本点作为训练数据
knn.fit(X,y)
#获取测试数据：横坐标：4~8；纵坐标：2~4.5
# 背景点取出来，meshgrid
x1 = np.linspace(4,8,100)
y1 = np.linspace(2,4.5,80)
X1,Y1 = np.meshgrid(x1,y1)
print(X1.shape,Y1.shape)
# pyb.scatter(X1,Y1)
# pyb.show()
X1=X1.reshape(-1,1)
Y1=Y1.reshape(-1,1)
X_test = np.concatenate([X1,Y1],axis=1)
# print(X_test.shape) #（8000，2）8000个样本，2个属性
# X1.revel().shape# ravel 平铺，一维化,等价于X1.reshape(-1).shape
# a = np.random.randint(0,30,size=(3,4))#降维
# print(a.ravel())
X_test = np.c_[X1.ravel(),Y1.ravel()]
X_test.shape
# 此时数据已经准备好了
y_ = knn.predict(X_test)
# 指定颜色
from matplotlib.colors import ListedColormap
lc = ListedColormap(['#FFAAAA','#AAFFAA','#AAAAFF'])
lc2 = ListedColormap(['#FF0000','#00FF00','#0000FF'])
pyb.scatter(X_test[:,0],X_test[:,1],c = y_,cmap = lc)
pyb.scatter(X[:,0],X[:,1],c = y,cmap = lc2)
pyb.show()
# 第二种画图方式
# pyb.contour(X1,Y1,y_reshape(80,100),cmap = lc)

sklearn——model_selection——knn手写识别系统+iris分类相关推荐

Knn算法之手写识别系统
knn值之手写识别系统导入包 import numpy as np from os import listdir import operator 介绍 1.os模块 os.listdir() 方法用 ...
【Python】基于kNN算法的手写识别系统的实现与分类器测试
基于kNN算法的手写识别系统 1. 数据准备使用windows画图工具,手写0-9共10个数字,每个数字写20遍,共200个BMP文件. 方法如下,使用画图工具,打开网格线,调整像素为32 ...
knn算法测试手写识别系统准确率
手写识别系统,KNN算法实现手写识别系统的准确率 (准确率=测试分对的样本数/总的样本数) import numpy as np from itertools import chain from os ...
机器学习算法（一）：k-近邻理论与python实现+经典应用（约会网站匹配、手写识别系统）
一份算法学习笔记~ 亲爱的朋友,恭喜你点开神秘之门,哈哈哈哈!从这里开始,我们一起学习机器学习的经典算法吧. 这一次的主要内容是机器学习入门算法:k-近邻.理论相当好理解,下面我们正式开始啦! 算法简 ...
python实现手写识别系统
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档文章目录前言一.手写识别系统二.主要步骤 1.准备数据:将图像转换为测试向量 2.测试算法:使用k-近邻算法识别手写数字总结 ...
【机器学习实战】k近邻算法实战——手写识别系统
文章目录手写识别系统步骤: 准备数据:将图像转换为测试向量测试算法:使用k-近邻算法识别手写数字 [完整代码] 手写识别系统为了简单起见,这里构造的系统只能识别数字0到9,参见图2-6.需要识 ...
机器学习实战-手写识别系统
在实现了K近邻算法后,书中给出了一个实例,今天来学习一下使用K近邻分类器的手写识别系统.书中原带的文件已经过处理转换为了文本格式,方便了许多. 先看一下原带文件准备数据 #将图像转换为测试向量 de ...
【机器学习】手写识别系统
[机器学习]手写识别系统过程 ==准备数据:将图像转换为测试向量== ==测试算法:使用k-近邻算法识别手写数字== ==完整代码== 过程收集数据:提供文本文件准备数据:编写函数classif ...
java手写识别_手写识别系统
目的采用k-近邻算法实现手写识别系统.这里采用0和1组成数字0-9的形状,再用算法对这些形状进行识别,来分辨出形状属于0-9那个数字.并计算出k-近邻算法识别手写数字的错误率. 数据说明数据来自& ...
机器学习（4）——手写识别系统实例
基本概念利用K-近邻算法对0-9的32*32的黑白数字图像进行归类. 基本思路步骤收集数据:提供文本文件: 准备数据:编写图像格式转化为可供分类器使用的向量格式的函数代码: 分析数据:进行检查数据 ...

sklearn——model_selection——knn手写识别系统+iris分类

算法训练和预测（验证）

knn——iris分类

sklearn——model_selection——knn手写识别系统+iris分类相关推荐

最新文章

热门文章