KNN算法案例-鸢尾花分类

KNN算法案例-鸢尾花分类

• 因为气候不同，造就性不同，统计鸢尾花的关键特征数据：花萼长度、花萼宽度、花瓣长度，花瓣宽度
• 植物学家划分：
  • setosa(中文名：山鸢尾)
  • versicolor(中文名：杂色鸢尾)
  • virginica(中文名：弗吉尼亚鸢尾)
• 鸢尾花数据集中每个样本包含有四个特种（花萼长度、花萼宽度、花瓣长度，花瓣宽度），用于对鸢尾花的分类

2 KNN算法建模

• 加载数据
• 数据预处理，拆分
• 声明算法，给定超参数k
• 训练算法，拟合数据，归纳规律
• 算法应用，样本预测

首先我们需要导入包

from sklearn import datasets  # 数据集
from sklearn.neighbors import KNeighborsClassifier  # 分类
from sklearn.model_selection import train_test_split  # 数据集拆分

3 实现

3.1 加载数据

# 获取到数据集
datasets.load_iris()

我们会获取到两组数据：

数据说明：
X :存储的是鸢尾花的四个特征值（花萼长度、花萼宽度、花瓣长度，花瓣宽度）
y : 存储的是鸢尾花的分类：- setosa(中文名：山鸢尾)，versicolor(中文名：杂色鸢尾),virginica(中文名：弗吉尼亚鸢尾)
x:

y:

3.1.1 给x,y的数据进行赋值：

# X 表示数据，y 表示目标值
X, y = datasets.load_iris(return_X_y=True)  # return_X_y值输出x,y
display(X, y)

3.2 数据拆分

# train 训练数据  ，test 测试数据集
X_train, X_test, y_train, y_test = train_test_split(X, y,  # 表示要拆分的数据
                                                    test_size=0.2,  # 拆分的比例，测试数据的比例
                                                    random_state=1024  # 固定了随机状态，为了固定拆分的方式
                                                    )
# 查看拆分的形状
display(X_train.shape, X_test.shape, y_train.shape, y_test.shape)

3.3 算法建模、拟合、训练

model = KNeighborsClassifier(n_neighbors=5)
model.fit(X_train, y_train)  # 建模、拟合、训练

3.4 算法预测

y_ = model.predict(X_test)
y_  # 预测值
print('保留的测试数据', y_test)

对预测的值和真实的值进行对比

3.5 准确率的计算

(y_ == y_test).mean()

model.score(X_test,y_test)