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：

• 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

​

• 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

• 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

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)