利用KNeighborsClassifier最近邻分类器,做莺尾花分类
#coding:UTF-8
#Definiation of COLs:
#1.sepal length in cm花瓣长度
#2.sepal width in cm花瓣宽度
#3.petal lenght in cm花萼长度
#4.petal width in cm花萼宽度
#5.class
#花类别
#------Iris setosa
#------Iris Versicolour
#------Iris Virginica
#Missing Attribute vales:none
from future import print_function
from sklearn.datasets import load_iris ##莺尾花数据集
from sklearn.cross_validation import train_test_split ##交叉验证包
from sklearn.neighbors import KNeighborsClassifier ##最近邻的分类器
from sklearn.preprocessing import PolynomialFeatures ##特征两两组成
#第一步获取数据
iris=load_iris()
X=iris.data#花的数据
y=iris.target#花的类别
#print(X,y)
#第二步将特征两两组合,创建更深度的数据集矩阵(暂时没有用到深度为2的数据集)
poly=PolynomialFeatures(2)
X_Poly=poly.fit_transform(X)
#print(X_Poly)
#第三步划分测试机
#train_test_split()函数是用来随机划分样本数据为训练集和测试集的,当然也可以人为的切片划分。(可将X替换成X_Poly,用深度为2的数据集)
X_train, X_test, y_train,y_test=train_test_split(X,y,random_state=4)
#print(X_train)
#print(y_train)
#X_train, X_test, y_train,y_test=train_test_split(X_Poly,y,random_state=4)
#模型训练(最近邻,计算向量点的5个最近的邻居是谁,那个类别占比最高,这个类型就是谁)
knn=KNeighborsClassifier(n_neighbors=5)
knn.fit(X_train,y_train)
#y_pred为预测值
y_pred=knn.predict(X_test)
#print(‘y_pred’)
#print(y_pred)
#print(‘y_test’)
#print(y_test)
#print(knn.score(X_test,y_test))
##切分5次训练集测试机,规避一次切分的特殊性,不充分
from sklearn.cross_validation import cross_val_score
knn=KNeighborsClassifier(n_neighbors=5)
scores=cross_val_score(knn,X,y,cv=5,scoring=‘accuracy’)
print(scores)
#最近邻分类参数设置问题
from sklearn.cross_validation import cross_val_score
import matplotlib.pyplot as plt
k_range=range(1,31)
k_scores=[]
for k in k_range:
knn=KNeighborsClassifier(n_neighbors=k)
scores=cross_val_score(knn,X,y,cv=10,scoring=‘accuracy’)
k_scores.append(scores.mean())
plt.plot(k_range,k_scores)
plt.show()
利用KNeighborsClassifier最近邻分类器,做莺尾花分类相关推荐
- python 机器学习(引言-莺尾花分类)
莺尾花分类 一.实验简介 1.目标: 构建一个机器学习模型,从已知品种的莺尾花测量数据中进行学习,从而能够预测新莺尾花的品种. 2.莺尾花测量数据: 花瓣长度.花瓣宽度.花萼长度.花萼宽度.单位:厘米 ...
- KNN算法——kd-tree、KNN莺尾花分类sklearn实现实例
KNN算法--kd-tree.KNN莺尾花分类sklearn实现实例 KNN算法--kd-tree.KNN莺尾花分类sklearn实现实例 1.kd-tree 2.kd-tree的构建 3.kd-tr ...
- KNN分类器、最近邻分类、KD树、KNN分类的最佳K值、基于半径的最近邻分类器、KNN多分类、KNN多标签分类、KNN多输出分类、KNN分类的优缺点
KNN分类器.最近邻分类.KD树.KNN分类的最佳K值.基于半径的最近邻分类器.KNN多分类.KNN多标签分类.KNN多输出分类.KNN分类的优缺点 目录
- DecisionTreeClassifier实例:Iris莺尾花分类
文章目录 Decision Trees决策树 DecisionTreeClassifier 参数 实例:Iris鸢尾花数据集的决策树分类 基础版本 进阶版本 代码细节 python.enumerate ...
- 利用keras搭建基础模型莺尾花
最近自学了一下,感觉keras貌似挺好用的,这里记录一下学习过程,并且给出源代码. 详细思路我都有写出注释. 练手之作,诸多不足,欢迎讨论. 第一步:建立模型 Keras有两种类型的模型,序列模型和函 ...
- 利用pytorch 做一个简单的神经网络实现sklearn库中莺尾花的分类
本文针对本人学习pytorch的分类问题,自己写了一个简单的code import numpy as np from collections import Counter from sklearn i ...
- ML之kNNC:基于iris莺尾花数据集(PCA处理+三维散点图可视化)利用kNN算法实现分类预测daiding
ML之kNNC:基于iris莺尾花数据集(PCA处理+三维散点图可视化)利用kNN算法实现分类预测 目录 基于iris莺尾花数据集(PCA处理+三维散点图可视化)利用kNN算法实现分类预测 设计思路 ...
- ML之kNNC:基于iris莺尾花数据集(PCA处理+三维散点图可视化)利用kNN算法实现分类预测
ML之kNNC:基于iris莺尾花数据集(PCA处理+三维散点图可视化)利用kNN算法实现分类预测 目录 基于iris莺尾花数据集(PCA处理+三维散点图可视化)利用kNN算法实现分类预测 设计思路 ...
- DL之PerceptronAdalineGD:基于iris莺尾花数据集利用Perceptron感知机和AdalineGD算法实现二分类
DL之Perceptron&AdalineGD:基于iris莺尾花数据集利用Perceptron感知机和AdalineGD算法实现二分类 目录 基于iris莺尾花数据集利用Perceptron ...
最新文章
- SpringBoot之配置嵌入式Servlet容器
- 微信小程序开发流程介绍
- 首个中文多项选择阅读理解数据集:BERT最好成绩只有68%,86%问题需要先验知识...
- 前景检测算法_4(opencv自带GMM)
- javascript高级程序设计第3版——第6章 面向对象的程序设计
- npm命令,开发依赖,版本号【正解】
- Dubbo(四)之xml配置方式
- Spring Boot 2.0 正式发布
- (计算机组成原理)第五章中央处理器-第四节1:CPU硬布线控制器的设计原理(逻辑表达式,微操作时序,电路设计)
- riemann的安装和使用
- AJAX实例二:实现类似Google的搜索提示【原著】
- ABAP中分页控件的定义
- ECSHOP 商品详情页相关属性商品 由新到旧排序
- 使用threading多线程访问baidu,输出状态码及访问时间
- [Wireshark]交换机设置镜像端口并使用Wireshark抓包异常流量分析病毒种类
- shape (0,) 是什么意思
- 移动硬盘无法访问如何解决
- 功率放大器电路图集(多种类功率放大电路)
- The file Tomcat.exe was not found... Either the CATALINA_HOME environment variable is not defin
- invalidate()不起作用