华强北做电子网站,怎么样才算是一个网站页面,电商推广费用占比,购物商城图片使用K-Nearest Neighbors (KNN)算法进行分类。首先加载一个数据集#xff0c;然后进行预处理#xff0c;选择最佳的K值#xff0c;并训练一个KNN模型。 # encodingutf-8 import numpy as np datas np.loadtxt(datingTestSet2.txt) # 加载数据集#xff0c;返回一个numpy数… 使用K-Nearest Neighbors (KNN)算法进行分类。首先加载一个数据集然后进行预处理选择最佳的K值并训练一个KNN模型。 # encodingutf-8 import numpy as np datas np.loadtxt(datingTestSet2.txt) # 加载数据集返回一个numpy数组 # 提取特征和标签 x_data datas[:, 0:3] # 提取前三列数据作为特征 y_data datas[:, 3] # 提取第四列数据作为标签 print(标准化前, x_data) # 特征矩阵 print(y_data) # 标签向量 # 数据maxmin标准化 from sklearn.preprocessing import MinMaxScaler # 用于数据的标准化 std MinMaxScaler() # 创建一个MinMaxScaler对象 x_data std.fit_transform(x_data) # 标准化 print(标准化:, x_data) # 拆分数据集训练集和测试集 from sklearn.model_selection import train_test_split x_train, x_test, y_train, y_test train_test_split(x_data, y_data, test_size0.2, random_state123) # 测试集占总数据的20%随机种子设为123以保证结果的可重复性 # 建立KNN模型 from sklearn.neighbors import KNeighborsClassifier # 使用交叉验证法评估模型性能 from sklearn.model_selection import cross_val_score k_range range(1, 31) # 创建一个范围从1到30的序列用于试验不同的K值。 k_error [] # 创建一个空列表用于存储每个K值对应的错误率。 # 找最合适的k既平均值最高 for k in k_range: model_kun KNeighborsClassifier(n_neighborsk) scores cross_val_score(model_kun, x_train, y_train, cv6, scoringaccuracy) # 将数据集分成6个子集 # 估计方法对象 数据特征 数据标签 几折交叉验证 meanscores scores.mean() # 平均值 k_error.append(1 - meanscores) # 将准确率的平均值转换为错误率 print(k, k, meanscores, meanscores) # 可视化K值和错误率的关系 import matplotlib.pyplot as plt plt.plot(k_range, k_error) # 绘制K值与错误率的图像 plt.show() # 建立KNN分类器模型并使用训练集进行训练 model_kun KNeighborsClassifier(n_neighbors9) # n_neighbors9表示在预测时KNN分类器将考虑最近的9个邻居并根据这9个邻居中最常见的类别来预测输入样本的类别 model_kun.fit(x_train, y_train) # 使用训练集对模型进行训练 scores model_kun.score(x_test, y_test) # 使用测试集评估模型性能返回准确率 print(准确率为, scores) 使用KNN算法加载鸢尾花数据集 # 加载鸢尾花数据集
from sklearn.datasets import load_irisiris load_iris()
print(iris)
x_data iris.data # 样本数据
y_data iris.target # 标签数据
print(标准化前, x_data)# 数据maxmin标准化
from sklearn.preprocessing import MinMaxScalermms MinMaxScaler()
x_data mms.fit_transform(x_data)
print(x_data)# 拆分数据集训练集和测试集
from sklearn.model_selection import train_test_splitx_train, x_test, y_train, y_test train_test_split(x_data, y_data, test_size0.2,random_state123)# 建立knn模型
from sklearn.neighbors import KNeighborsClassifierfrom sklearn.model_selection import cross_val_scorek_rangerange(1,31)
k_error[] #错误率# 找最合适的k既平均值最高
for k in k_range:model_kunKNeighborsClassifier(n_neighborsk)scorescross_val_score(model_kun,x_train,y_train,cv6,scoringaccuracy)# 估计方法对象 数据特征 数据标签 几折交叉验证meanscoresscores.mean() # 平均值k_error.append(1-meanscores) # 错误率print(k,k,meanscores,meanscores)# 将k的值和错误率可视化出来比较好找
import matplotlib.pyplot as plt
plt.plot(k_range,k_error)
plt.show()model_knn KNeighborsClassifier(n_neighbors10)model_knn.fit(x_train, y_train)
scores model_knn.score(x_test, y_test) # 准确率
print(scores)
