一文深度解析K-最近邻监督学习机器人算法

, 'sepal-width', 'petal-length', 'petal-width', 'Class']

#读入信息集

dataset = pd.read_csv(url, names=names)

至此的制订结果如下所示：

3.信息示例

这样做是为了将信息集拆分为类型和标签。X变量将包含信息集的前四雷科，我们称之为类型，y变量将包含再次一雷科，我们称之为标签。

副本

X = dataset.iloc[:, :-1].values

y = dataset.iloc[:, 4].values

4.划分为受训集与次测试集

在这一步当中，我们将把信息集分成受训和次测试两部分，从而知晓算依此对受训信息的研修程度，以及它在次测试信息上的表现。

副本

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.20)

5.相似性图层

相似性图层是在近似值之前对信息示例的一个举足轻重方式。下面的方依此用作规范化信息的相似性范围。

副本

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()

scaler.fit(X_train)

X_train = scaler.transform(X_train)

X_test = scaler.transform(X_test)

6.用KNN做出近似值

首先，我们需要从sklearn.neighbors托导入KNeighborsClassifier类，然后可选择K个数。在这个比如说当中我可选择了7(记住，强烈提议可选择一个雷数个数以避免和局持续性)。

副本

from sklearn.neighbors import KNeighborsClassifier

classifier = KNeighborsClassifier(n_neighbors=7)

classifier.fit(X_train, y_train)

然后，我们继续对次测试信息集同步进行近似值。

y_pred = classifier.predict(X_test)

7.算依此精密度分析统计数据

借助sklearn.metrics托，我们可以通过归类统计数据来分析统计数据算依此的精密度，详细信息精密度、召回领军和F1分数。

副本

from sklearn.metrics import classification_report

print(classification_report(y_test, y_pred))

下面假定该代码的制订结果：

由此我们可以看出，KNN算依此对30个信息点同步进行了归类，平均总精确领军为95%，召回领军为93%，F1分数为94%。

8.发现正确的K个数

在本例当中，我可选择了K个数为7。如果我们想检查最佳K个数是什么，我们可以生成一个示意左图以看出相异的K个数及其产生的权重。我将研究1到30二者之间的K个数持续性。为此，我们需要在1到30二者之间制订一个反向，在每次反向期间近似值平均误差并将其替换成到误差雷科表当中。就其代码如下：

副本

error = []

#近似值1到30二者之间的K个数的权重

for i in range(1, 30):

knn = KNeighborsClassifier(n_neighbors=i)

knn.fit(X_train, y_train)

pred_i = knn.predict(X_test)

error.append(np.mean(pred_i != y_test))

描画K个数权重左图：

副本

plt.figure(figsize=(12, 5))

plt.plot(range(1, 30), error, color='red', marker='o',

markerfacecolor='yellow', markersize=10)

plt.title('Error Rate K Value')

plt.xlabel('K Value')

plt.ylabel('Mean Error')

负载二维左图如下：

二维左图就其联：本文作者例程负载结果

从上左图可以看出，平均误差为0的K个数主要在k个数13-23二者之间。

五、概述

KNN是一种易于实现的非常简单的机器研修算依此，可用作制订机器研修过程当中的回归和归类特殊任务。其当中，K个数是一个参数，对此在在比邻的数个数。实际运用当中，提议把K个数而无须为雷数。另外，在KNN算依此当中你可以可选择相异的间距度量算依此(最相似的是用作阿基米德间距、曼哈顿区间距和明为可杜斯间距)。

原意链接：

编者简述

朱先忠，51CTO新社区校对，51CTO领域专家博客、讲师，菏泽所大学颇大学生近似值机教师，权利编程界内军中一枚。以前专注各种微软技术(编著成ASP.NET AJX、Cocos 2d-X就其三本技术左图书)，近十多年醉心开源当今(熟悉流行全栈Web人机)，知晓基于OneNet/AliOS+Arduino/ESP32/树莓受命等物联网人机与Scala+Hadoop+Spark+Flink等大信息人机。

。

新乡白癜风治疗费用是多少
济南看精神病哪家医院好
太原儿科治疗费用
上海癫痫医院电话
天津口腔医院排行