怎么在python中使用sklearn實(shí)現(xiàn)一個(gè)KNN分類算法

怎么在python中使用sklearn實(shí)現(xiàn)一個(gè)KNN分類算法？針對(duì)這個(gè)問(wèn)題，這篇文章詳細(xì)介紹了相對(duì)應(yīng)的分析和解答，希望可以幫助更多想解決這個(gè)問(wèn)題的小伙伴找到更簡(jiǎn)單易行的方法。

實(shí)現(xiàn)步驟：通過(guò)選取與該點(diǎn)距離最近的k個(gè)樣本，在這k個(gè)樣本中哪一個(gè)類別的數(shù)量多，就把k歸為哪一類。

注意

• 該算法需要保存訓(xùn)練集的觀察值，以此判定待分類數(shù)據(jù)屬于哪一類

• k需要進(jìn)行自定義，一般選取k<30

• 距離一般用歐氏距離，即 
  

通過(guò)sklearn對(duì)數(shù)據(jù)使用KNN算法進(jìn)行分類

代碼如下：

## 導(dǎo)入鳶尾花數(shù)據(jù)集
iris = datasets.load_iris()
data = iris.data[:, :2]
target = iris.target

## 區(qū)分訓(xùn)練集和測(cè)試集，75%的訓(xùn)練集和25%的測(cè)試集
train_data, test_data = train_test_split(np.c_[data, target])
## 訓(xùn)練并預(yù)測(cè)，其中選取k=15
clf = neighbors.KNeighborsClassifier(15, 'distance')
clf.fit(train_data[:, :2], train_data[:, 2])
Z = clf.predict(test_data[:, :2])
print '準(zhǔn)確率:' ,clf.score(test_data[:, :2], test_data[:, 2])

colormap = dict(zip(np.unique(target), sns.color_palette()[:3]))
plt.scatter(train_data[:, 0], train_data[:, 1], edgecolors=[colormap[x] for x in train_data[:, 2]],c='', s=80, label='all_data')
plt.scatter(test_data[:, 0], test_data[:, 1], marker='^', color=[colormap[x] for x in Z], s=20, label='test_data')
plt.legend()
plt.show()

結(jié)果如下：

關(guān)于怎么在python中使用sklearn實(shí)現(xiàn)一個(gè)KNN分類算法問(wèn)題的解答就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，如果你還有很多疑惑沒有解開，可以關(guān)注億速云行業(yè)資訊頻道了解更多相關(guān)知識(shí)。