做静态网站软件,响应式网站适合用什么框架做,wordpress保存php失败,网页游戏排行榜前十名田田田田田田田田田田目录
前言
第一步#xff1a;安装和导入sklean模块 第二步#xff1a;获取数据 第二步#xff1a;分割出训练集和测试集
第三步#xff1a;训练模型 第四步#xff1a;测试结果
总结 前言
本文将介绍如何利用K最近邻#xff08;KNN#xff09;算法对经典的鸢尾花数…目录
前言
第一步安装和导入sklean模块 第二步获取数据 第二步分割出训练集和测试集
第三步训练模型 第四步测试结果
总结 前言
本文将介绍如何利用K最近邻KNN算法对经典的鸢尾花数据集进行分类预测。首先我们会加载数据集并进行数据的拆分然后利用KNN算法训练模型。最后我们将展示模型对测试集的预测结果并与真实标签进行对比验证以帮助读者更好地理解KNN算法在分类问题中的应用。 第一步安装和导入sklean模块
1.命令行安装sklearn pip install -U scikit-learn 2.导入模块
import numpy as np
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier 第二步获取数据
#使用sklearn自带的datasets模块中的load_iris函数加载了鸢尾花iris数据集
iris datasets.load_iris()
#提取出特征数据
iris_Xiris.data
#目标标签
iris_yiris.target 第二步分割出训练集和测试集
#会打乱数据
#test_size测试比例train_test_split把训练数据和测试数据分开
X_train,X_test,y_train,y_testtrain_test_split(iris_X,iris_y,test_size0.3)
第三步训练模型
#训练模型
knnKNeighborsClassifier()
knn.fit(X_train,y_train) 第四步测试结果
#预测值
print(knn.predict(X_test))
# [0 0 1 0 2 2 1 1 0 0 2 1 2 2 2 2 0 0 2 0 2 2 0 0 0 2 0 1 1 0 0 2 0 2 2 0 1
# 1 0 1 1 2 0 1 2]
#真实值
print(y_test)
# [0 0 1 0 2 2 1 1 0 0 2 1 2 2 1 2 0 0 2 0 2 2 0 0 0 2 0 1 1 0 0 2 0 2 2 0 1
# 1 0 1 1 2 0 1 2] 结果大差不差~ 总结
通过本文的讲解我们深入探讨了KNN算法在机器学习中的应用。通过实际操作鸢尾花数据集我们展示了如何使用KNN算法对数据进行分类预测并验证了模型的准确性。希望本文能够帮助读者更好地理解KNN算法的原理和实际应用为进一步学习机器学习算法奠定基础。
