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 ...

利用KNeighborsClassifier最近邻分类器，做莺尾花分类

利用KNeighborsClassifier最近邻分类器，做莺尾花分类相关推荐

最新文章

热门文章