机器学习实战（4）—— KNN代码实现

本次实战案例使用的是机器学习中鸢尾花（iris）数据集。

目标是根据4个特征将3种鸢尾花分类。

下面使用Python进行实战演练：

加载数据：

# 从sklearn.datasets 导入 iris数据加载器。
from sklearn.datasets import load_iris
# 使用加载器读取数据并且存入变量iris。
iris = load_iris()
# 查验数据规模。
iris.data.shape

查看数据说明：

# 查看数据说明。对于一名机器学习的实践者来讲，这是一个好习惯。
print(iris.DESCR)

#sepal 萼片
#petal 花瓣

对数据集进行分割：

# 从sklearn.cross_validation里选择导入train_test_split用于数据分割。
from sklearn.cross_validation import train_test_split
# 从使用train_test_split，利用随机种子random_state采样25%的数据作为测试集。
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.25, random_state=33)

对数据标准化并建模（训练与预测）：

# 从sklearn.preprocessing里选择导入数据标准化模块。
from sklearn.preprocessing import StandardScaler
# 从sklearn.neighbors里选择导入KNeighborsClassifier，即K近邻分类器。
from sklearn.neighbors import KNeighborsClassifier

# 对训练和测试的特征数据进行标准化。
ss = StandardScaler()
X_train = ss.fit_transform(X_train)
X_test = ss.transform(X_test)

# 使用K近邻分类器对测试数据进行类别预测，预测结果储存在变量y_predict中。
knc = KNeighborsClassifier()
knc.fit(X_train, y_train)
y_predict = knc.predict(X_test)

查看模型效果：




    
# 使用模型自带的评估函数进行准确性测评。
print('The accuracy of K-Nearest Neighbor Classifier is', knc.score(X_test, y_test))

# 依然使用sklearn.metrics里面的classification_report模块对预测结果做更加详细的分析。
from sklearn.metrics import classification_report
print(classification_report(y_test, y_predict, target_names=iris.target_names))

从上图可以看出模型的准确率、召回率、F1值等。

这就是KNN的实战案例，你学会了么~

—— 推荐阅读 ——

假如，人工智能也去摆地摊

作为一个乘风破浪的程序员，我每天除了疯就是浪

程序员最卑微的瞬间

【人工智能社群】已经成立，旨在打造真正有价值，能交流，一起学习成长的社群，并且每月送书不断！现备注城市+昵称+研究方向,扫码添加好友后立即进群。

▲长按扫码

你在看吗？