python中K-NN算法是什么?

本文教程操作環(huán)境：windows7系統(tǒng)、Python3.9.1，DELLG3電腦。

KNearestNeighbor算法?叫KNN算法，這個(gè)算法是機(jī)器學(xué)習(xí)???個(gè)?較經(jīng)典的算法，總體來說KNN算法是相對(duì)?

較容易理解的算法。

1、定義

如果?個(gè)樣本在特征空間中的k個(gè)最相似(即特征空間中最鄰近)的樣本中的大多數(shù)屬于某?個(gè)類別，則該樣本也屬于這個(gè)類別。(起源：KNN最早是由Cover和Hart提出的一種分類算法);俗話就是：根據(jù)“鄰居”來推斷出你的類別。

2、基本流程

(1)計(jì)算已知類數(shù)據(jù)集中的點(diǎn)與當(dāng)前點(diǎn)之間的距離2)按距離遞增次序排序

(2)選取與當(dāng)前點(diǎn)距離最小的k個(gè)點(diǎn)

(3)統(tǒng)計(jì)前k個(gè)點(diǎn)所在的類別出現(xiàn)的頻率

(4)返回前k個(gè)點(diǎn)出現(xiàn)頻率最高的類別作為當(dāng)前點(diǎn)的預(yù)測(cè)分類

3、實(shí)例

代碼涉及sklean庫(kù)，需要安裝sklearn庫(kù)。

fromsklearn.datasetsimportload_iris

fromsklearn.model_selectionimporttrain_test_split

fromsklearn.preprocessingimportStandardScaler

fromsklearn.neighborsimportKNeighborsClassifier

#1.獲取數(shù)據(jù)

iris=load_iris()

#2.數(shù)據(jù)基本處理：訓(xùn)練集的特征值x_train測(cè)試集的特征值x_test訓(xùn)練集的?標(biāo)值y_train測(cè)試集的?標(biāo)值y_test，

'''

x:數(shù)據(jù)集的特征值

y:數(shù)據(jù)集的標(biāo)簽值

test_size:測(cè)試集的??，?般為float

random_state:隨機(jī)數(shù)種?,不同的種?會(huì)造成不同的隨機(jī)采樣結(jié)果。相同的種?采樣結(jié)果相同

'''

x_train,x_test,y_train,y_test=train_test_split(iris.data,iris.target,test_size=0.2,random_state=22)

#3.特征工程-特征預(yù)處理

transfer=StandardScaler()

x_train=transfer.fit_transform(x_train)

x_test=transfer.transform(x_test)

#4.機(jī)器學(xué)習(xí)-KNN

#4.1實(shí)例化一個(gè)估計(jì)器

estimator=KNeighborsClassifier(n_neighbors=5)

#4.2模型訓(xùn)練

estimator.fit(x_train,y_train)

#5.模型評(píng)估

#5.1預(yù)測(cè)值結(jié)果輸出

y_pre=estimator.predict(x_test)

print("預(yù)測(cè)值是:\n",y_pre)

print("預(yù)測(cè)值和真實(shí)值的對(duì)比是:\n",y_pre==y_test)

#5.2準(zhǔn)確率計(jì)算

score=estimator.score(x_test,y_test)

print("準(zhǔn)確率為:\n",score)

以上就是python中K-NN算法的介紹，希望能對(duì)大家有所幫助。更多Python學(xué)習(xí)教程請(qǐng)關(guān)注IT培訓(xùn)機(jī)構(gòu):千鋒教育。