标签:KNN iris shape print 算法 train test import 鸢尾花
frame 是Pandas的dataframe对象
alpha 图像透明度
figsize 英寸为单位的图像大小
diagonal 只能在{‘hist','kde'}中选一个 hist表示直方图 kde表示核密度估计
这个参数是scatter_matrix的关键参数
marker 是标记类型,如圈,点,三角号
代码
from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split iris_dataset=load_iris() X_train,X_test,y_train,y_test=train_test_split(iris_dataset['data'],iris_dataset['target'],random_state=2) #print("X_train",X_train) #print("y_train",y_train) #print("X_test",X_test) #print("y_test",y_test) #print("X_train shape: {}".format(X_train.shape)) #print("X_test shape: {}".format(X_test.shape)) import pandas as pd import matplotlib.pyplot as plt iris_dataframe=pd.DataFrame(X_train,columns=iris_dataset.feature_names) pd.plotting.scatter_matrix(iris_dataframe,c=y_train,figsize=(15,15),marker='o',hist_kwds={'bins':20},s=60,alpha=.8) plt.show()
其中在 jupyter notebook里是不需要import matplotlib.pyplot 就可以显示图像
但是在VScode里必须 加这句
从中可以看出 比如 special width 和 special length 之间的关系比较杂乱
我们在训练模型时要优先选择关系明显的特征对进行学习
n_neighbors 表示近邻数量
weights 计算距离时的权重 缺省值是uniform 表示平均权重
distance表示距离远近设置不同的权重
metric 是距离的计算 缺省值是 minkowski 闵氏距离
显然当P=2即为欧氏距离
P=1即为曼哈顿距离
from sklearn import datasets from sklearn.neighbors import KNeighborsClassifier from sklearn.model_selection import train_test_split iris=datasets.load_iris() print("数据集结构:",iris.data.shape) #获取属性 iris_X=iris.data #获取类别 iris_y=iris.target #划分数据集和训练集 iris_train_X,iris_test_X,iris_train_y,iris_test_y=train_test_split(iris_X,iris_y,test_size=0.2,random_state=0) #分类器初始化,参数默认 knn=KNeighborsClassifier() #对训练集进行训练 knn.fit(iris_train_X,iris_train_y) #对测试集数据的鸢尾花类型进行预测 predict_result=knn.predict(iris_test_X) print("测试集大小:",iris_test_X.shape) print("真实结果:",iris_test_y) print("预测结果:",predict_result) #显示预测结果准确率 print("预测准确率",knn.score(iris_test_X,iris_test_y))
标签:KNN,iris,shape,print,算法,train,test,import,鸢尾花 来源: https://www.cnblogs.com/fengzhiyuan/p/14729135.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。