【机器学习(四)】基于KNN算法对鸢尾花类别进行分类预测

专栏导读

✍ 作者简介：i阿极，CSDN Python领域新星创作者，专注于分享python领域知识。

✍ 本文录入于《数据分析之术》，本专栏精选了经典的机器学习算法进行讲解，针对大学生、初级数据分析工程师精心打造，对机器学习算法知识点逐一击破，不断学习，提升自我。
✍ 订阅后，可以阅读《数据分析之术》中全部文章内容，详细介绍数学模型及原理，带领读者通过模型与算法描述实现一个个案例。
✍ 还可以订阅基础篇《数据分析之道》，其包含python基础语法、数据结构和文件操作，科学计算，实现文件内容操作，实现数据可视化等等。
✍ 其他专栏：《数据分析案例》 ，《机器学习案例》

1、KNN算法原理

K最近邻（K-Nearest Neighbor，KNN）算法是一种用于分类和回归的非参数模型，它可以用于模式识别、图像处理、语音识别和推荐系统等领域。

KNN算法的基本思想是根据样本之间的距离和相似性进行分类，即将一个新的样本分类为其最近的K个邻居中最常见的类别。

KNN算法可以分为两个阶段：训练和预测。

• 训练阶段：训练数据集中的每个样本由特征和标签组成，KNN算法将其全部保存下来，构成训练模型。

• 预测阶段：给定一个新的样本，KNN算法首先计算其与训练集中每个样本的距离，并选取与其距离最近的K个训练集样本，然后根据这K个样本的标签来预测新样本的类别。

KNN算法中的距离通常使用欧氏距离来度量，其公式为：

其中，$x$和$y$表示两个样本向量，$n$表示特征的数量。

在KNN算法中，关键参数是K值的选择。K值的选择对于KNN算法的准确性和泛化能力有很大的影响。通常来说，K值较小会导致模型对噪声敏感，而K值较大会导致模型过于平滑。

确定K值的方法一般有两种：

• 网格搜索法：对于每个候选的K值，在训练集上进行交叉验证，找到最优的K值。
• 经验法则：通常将K设置为小于样本数平方根的整数，例如样本数为1000，则K取值范围可以为1-31之间的奇数。

举个例子来说，假设有一个二维数据集，有两个类别，分别是红色和蓝色，如下图所示：

对于一个新样本点（绿色圆点），我们需要使用KNN算法来预测它所属的类别。首先，我们选择一个合适的K值，比如K=5。接着，我们计算新样本点与所有训练集中样本点的距离，并选择距离最近的5个点作为邻居，如下图所示：

由于这五个邻居中，有3个是蓝色的，2个是红色的，因此我们预测新样本点属于蓝色类别。如果K值为3，则预测结果是红色类别。

2、实战案例-对鸢尾花类别分类预测

我们将使用sklearn中的鸢尾花数据集来实现一个分类预测的案例。

2.1确定特征和类别

我们将使用鸢尾花数据集中的4个特征（花萼长度、花萼宽度、花瓣长度和花瓣宽度）来预测鸢尾花的类别（Setosa、Versicolor和Virginica）。

# 导入相关的库
from sklearn.datasets import load_iris
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.metrics import confusion_matrix, accuracy_score

# 加载鸢尾花数据集
iris = load_iris()
X = iris.data
y = iris.target

2.2对特征进行处理

我们不需要对特征进行处理，因为鸢尾花数据集已经是一个规范化的数据集。
直接划分训练集和测试集并定义KNN分类模型和需要搜索的K值。

# 将数据集分成训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 定义KNN分类器
knn = KNeighborsClassifier()

# 定义需要搜索的K值
param_grid = {'n_neighbors': [1, 3, 5, 7, 9, 11]}

2.3对模型调参，选择最优参数

KNN算法有一个重要的参数K，用来确定最近邻居的数量。我们需要使用交叉验证的方法来选择最优的K值。在本案例中，我们将使用GridSearchCV函数来进行交叉验证和参数选择。

# 使用GridSearchCV函数进行交叉验证和参数选择
grid_search = GridSearchCV(knn, param_grid, cv=5)
grid_search.fit(X_train, y_train)

2.4使用分类模型进行预测

# 使用最优的K值重新训练模型
knn = KNeighborsClassifier(n_neighbors=grid_search.best_params_['n_neighbors'])
knn.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = knn.predict(X_test)

2.5评估模型，检验模型效果

我们将使用混淆矩阵、准确率、召回率和F1值等指标来评估模型的效果。

# 输出混淆矩阵
plot_confusion_matrix(knn_model, X_test, y_test)
plt.title('Confusion Matrix')
plt.show()

# 输出分类报告
print(classification_report(y_test, y_pred))

# 输出准确率、召回率和F1值的可视化
from sklearn.metrics import precision_recall_fscore_support

precision, recall, f1, _ = precision_recall_fscore_support(y_test, y_pred, average='weighted')
plt.bar(['Precision', 'Recall', 'F1'], [precision, recall, f1])
plt.ylim(0, 1)
plt.title('Precision, Recall, F1 Score')
plt.show()

3、完整代码及结果

# 导入相关的库
from sklearn.datasets import load_iris
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.metrics import confusion_matrix, accuracy_score

# 加载鸢尾花数据集
iris = load_iris()
X = iris.data
y = iris.target

# 将数据集分成训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 定义KNN分类器
knn = KNeighborsClassifier()

# 定义需要搜索的K值
param_grid = {'n_neighbors': [1, 3, 5, 7, 9, 11]}

# 使用GridSearchCV函数进行交叉验证和参数选择
grid_search = GridSearchCV(knn, param_grid, cv=5)
grid_search.fit(X_train, y_train)

# 输出最优的K值
print("Best K:", grid_search.best_params_)

# 使用最优的K值重新训练模型
knn = KNeighborsClassifier(n_neighbors=grid_search.best_params_['n_neighbors'])
knn.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = knn.predict(X_test)

# 输出混淆矩阵和准确率
print("Confusion matrix:")
print(confusion_matrix(y_test, y_pred))
print("Accuracy score:", accuracy_score(y_test, y_pred))

from sklearn.metrics import plot_confusion_matrix, classification_report
import matplotlib.pyplot as plt

# 输出混淆矩阵
plot_confusion_matrix(knn, X_test, y_test)
plt.title('Confusion Matrix')
plt.show()

# 输出分类报告
print(classification_report(y_test, y_pred))

# 输出准确率、召回率和F1值的可视化
from sklearn.metrics import precision_recall_fscore_support

precision, recall, f1, _ = precision_recall_fscore_support(y_test, y_pred, average='weighted')
plt.bar(['Precision', 'Recall', 'F1'], [precision, recall, f1])
plt.ylim(0, 1)
plt.title('Precision, Recall, F1 Score')
plt.show()

文章下方有交流学习区！一起学习进步！
首发CSDN博客，创作不易，如果觉得文章不错，可以点赞收藏评论
你的支持和鼓励是我创作的动力❗❗❗