四、分类算法 - KNN算法（K-近邻算法）

目录

1、K-近邻算法

1.1 K-近邻算法原理

1.2 K - 近邻算法API

1.3 案例1：鸢尾花种类预测

1.3.1 数据集介绍

1.3.2 步骤

1.4 KNN 算法总结

---

1. sklearn转换器和估算器
2. KNN算法
3. 模型选择和调优
4. 朴素贝叶斯算法
5. 决策树
6. 随机森林

1、K-近邻算法

1.1 K-近邻算法原理

1.2 K - 近邻算法API

1.3 案例1：鸢尾花种类预测

1.3.1 数据集介绍

1.3.2 步骤

1. 获取数据
2. 数据集划分
3. 特征工程   - 标准化
4. KNN预估器流程
5. 模型评估

from sklearn.datasets import load_iris
from sklearn.model_selection import  train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import StandardScaler
 
def knn_iris():
    # 用KNN 算法对鸢尾花进行分类
    # 1、获取数据
    iris = load_iris()
    # 2、划分数据集
    x_train,x_test,y_train,y_test = train_test_split(iris.data,iris.target,random_state=6)
    # 3、特征工程 - 标准化
    transfer = StandardScaler()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)
    # 4、KNN 算法预估器
    estimator = KNeighborsClassifier(n_neighbors=3)
    estimator.fit(x_train,y_train)
    # 5、模型评估
    # 方法1 ：直接比对真实值和预测值
    y_predict = estimator.predict(x_test)
    print("y_predict：\n",y_predict)
    print("直接比对真实值和预测值：\n",y_test == y_predict)
    # 方法2：计算准确率
    score = estimator.score(x_test,y_test)
    print("准确率为：\n",score)
    return None
 
if __name__ == "__main__":
    # 代码1 ：用KNN算法对鸢尾花进行分类
    knn_iris()

1.4 KNN 算法总结