使用scikit-learn中的KNN包实现对鸢尾花数据集的预测。

导入必要的库和数据集

#导入鸢尾花数据集
from sklearn.datasets import load_iris
#数据化可视包
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler,StandardScaler
from sklearn.neighbors import KNeighborsClassifier

加载数据集并划分

#获取鸢尾花小规模数据集
iris = load_iris()
#数据可视化
iris_data1 = pd.DataFrame(data=iris['data'],columns=['Sepal_Length','Sepal_Width','Petal_Length','Petal_Width'])


#填充目标值
iris_data1['target'] = iris['target']

#数据集的划分
x_train,x_test,y_train,y_test = train_test_split(iris['data'],iris['target'],test_size=0.2,random_state=42)

特征缩放

#特征工程-特征预处理 规划为均值0附近标准差为1
transfer = StandardScaler()
ret_train_data = transfer.fit_transform(x_train)
ret_test_data = transfer.fit_transform(x_test)

训练KNN模型

#机器学习 构建KNN
#step1构建KNN并实例化
n_neighbors_num = 5
knn_model = KNeighborsClassifier(n_neighbors=n_neighbors_num)
#step2训练模型 输入训练集和训练集标签
knn_model.fit(ret_train_data,y_train)

进行预测并评估模型

#step3 评估模型
#使用训练好的模型进行预测
y_pre = knn_model.predict(ret_test_data)
print("预测结果：",y_pre)
print("真实值：",y_test)
print("预测值和真实值对比：\n",y_pre==y_test)
#准确率计算，注意如果是归一化后的数据就得用归一化后的数据进行预测计算准确率，不然效果很差
score = knn_model.score(ret_test_data,y_test)
print("准确率：",score)

运行结果