0
点赞
收藏
分享

微信扫一扫

机器学习Sklearn的k近邻算法api初步使用


目录

  • ​​1 k近邻算法api初步使用​​
  • ​​2 Scikit-learn工具介绍​​
  • ​​2.1 安装​​
  • ​​2.2 Scikit-learn包含的内容​​
  • ​​3 K-近邻算法API​​
  • ​​4 案例​​
  • ​​4.1 步骤分析​​
  • ​​4.2 代码过程​​
  • ​​5 小结​​

1 k近邻算法api初步使用

  • 机器学习流程复习:

机器学习Sklearn的k近邻算法api初步使用_sklearn

  • 1.获取数据集
  • 2.数据基本处理
  • 3.特征工程
  • 4.机器学习
  • 5.模型评估

2 Scikit-learn工具介绍

机器学习Sklearn的k近邻算法api初步使用_机器学习_02

  • Python语言的机器学习工具
  • Scikit-learn包括许多知名的机器学习算法的实现
  • Scikit-learn文档完善,容易上手,丰富的API
  • 目前稳定版本0.19.1

2.1 安装

pip3 install scikit-learn==0.19.1

安装好之后可以通过以下命令查看是否安装成功

import

  • 注:安装scikit-learn需要Numpy, Scipy等库

2.2 Scikit-learn包含的内容

机器学习Sklearn的k近邻算法api初步使用_近邻算法_03

  • 分类、聚类、回归
  • 特征工程
  • 模型选择、调优

3 K-近邻算法API

sklearn.neighbors.KNeighborsClassifier(n_neighbors=5)

  • 参数介绍:
  • n_neighbors:int,可选(默认= 5),k_neighbors查询默认使用的邻居数

4 案例

4.1 步骤分析

  • 1.获取数据集
  • 2.数据基本处理(该案例中省略)
  • 3.特征工程(该案例中省略)
  • 4.机器学习
  • 5.模型评估(该案例中省略)

4.2 代码过程

  • 步骤一:导入模块

from sklearn.neighbors import

  • 步骤二:构造数据集
  • 数据集格式一:

x = [[0], [1], [2], [3]]
y = [0, 0, 1, 1]

  • 数据集格式二:

​特征数也就是几维计算,x是数据,y是结果​

x = [[39,0,31],[3,2,65],[2,3,55],[9,38,2],[8,34,17],[5,2,57],[21,17,5],[45,2,9]]
y = [0,1,2,2,2,2,1,1]

  • 步骤三:机器学习 – 模型训练

# 实例化API
estimator = KNeighborsClassifier(n_neighbors=1)
# 使用fit方法进行训练
estimator.fit(x, y)

estimator.predict([[1]])

# 数据集格式二对应的测试数据
# estimator.predict([[23,3,17]])

-完整代码

from sklearn.neighbors import KNeighborsClassifier

# 1.构造数据
x = [[1], [2], [3], [4]]
y = [0, 0, 1, 1]

# 2.训练模型
# 2.1 实例化一个估计器对象
estimator = KNeighborsClassifier(n_neighbors=3)

# 2.2 调用fit方法,进行训练
estimator.fit(x, y)

# 3.数据预测
ret = estimator.predict([[2.51]])
print(ret)
# 可以这样理解, x是特征值, 是dataframe形式理解为二维的[[]],
# y表示的目标值, 可以表示为series, 表示为一维数组[]
ret1 = estimator.predict([[-1]])
print(ret1)

运行结果

机器学习Sklearn的k近邻算法api初步使用_近邻算法_04

5 小结

  • sklearn的优势:
  • 文档多,且规范
  • 包含的算法多
  • 实现起来容易
  • knn中的api
  • sklearn.neighbors.KNeighborsClassifier(n_neighbors=5)


举报

相关推荐

0 条评论