python中K-NN算法的作用是什么

這期內(nèi)容當(dāng)中小編將會(huì)給大家?guī)?lái)有關(guān)python中K-NN算法的作用是什么，文章內(nèi)容豐富且以專(zhuān)業(yè)的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。

python有哪些常用庫(kù)

python常用的庫(kù)：1.requesuts；2.scrapy；3.pillow；4.twisted；5.numpy；6.matplotlib；7.pygama；8.ipyhton等。

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(lèi)別， 則該樣本也屬于這個(gè)類(lèi)別。（起源：KNN最早是由Cover和Hart提出的一種分類(lèi)算法）；俗話(huà)就是：根據(jù)“鄰居”來(lái)推斷出你的類(lèi)別。

2、基本流程

（1）計(jì)算已知類(lèi)別數(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(lèi)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(lèi)別作為當(dāng)前點(diǎn)的預(yù)測(cè)分類(lèi)

3、實(shí)例

代碼涉及sklean庫(kù)，需要安裝sklearn庫(kù)。

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
 
# 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)

上述就是小編為大家分享的python中K-NN算法的作用是什么了，如果剛好有類(lèi)似的疑惑，不妨參照上述分析進(jìn)行理解。如果想知道更多相關(guān)知識(shí)，歡迎關(guān)注億速云行業(yè)資訊頻道。