K 近鄰演算法

#

coding=utf-8
from sklearn.datasets import
load_iris
from sklearn.preprocessing import
standardscaler,minmaxscaler
from sklearn.neighbors import
kneighborsclassifier
from sklearn.model_selection import
train_test_split
defknc():
#水仙花資料
#li.data 即為資料的特徵值，是二維的
#li.target 即為資料的目標值
li =load_iris()
#準備資料
x_train,x_test,y_train,y_test = train_test_split(li.data,li.target,test_size=0.25)
#標準化
ss =standardscaler()
x_train =ss.fit_transform(x_train)
#需要用訓練集的標準來標準化測試集
x_test =ss.transform(x_test)
print(x_train[:10])
#**knn = kneighborsclassifier(n_neighbors=4)
knn.fit(x_train,y_train)
print("
**的值為:
",knn.predict(x_test))
print("
實際的值為:
",y_test)
print("
**的準確率為:
",knn.score(x_test,y_test))
return
none
if__name__ == '
__main__':
knc()

k 近鄰演算法

此文章參考機器學習實戰一書，具體的理論知識可以參考該書。本文的初衷只是為了做乙個複習，將學過的知識加以整理，其中不免有一定的錯誤。2.k 近鄰演算法的原理介紹 k 近鄰演算法通過測量不同的特徵值之間的距離進行分類。它的工作原理如下 存在乙個樣本的資料集合，也成為訓練樣本集合。並且樣本集中的每個資料都...

K 近鄰演算法

k 近鄰演算法採用測量不同特徵值之間的距離方法進行分類。優點 精度高 對異常值不敏感 無資料輸入假定 缺點 計算複雜度高 空間複雜度高 適用資料範圍 數值型和標稱型 工作原理 存在乙個樣本資料集合，也稱作訓練樣本集，並且樣本集中每個資料都存在標籤，即我們知道樣本集中每一資料與所屬分類的對應關係。輸入...

K 近鄰演算法

首先，我們將 k 近鄰演算法的基本理論 其次我們將使用python從文字檔案中匯入並解析資料 再次，討論當存在許多資料 的時，如何避免計算距離時可能碰到的一些常見錯誤 最後，利用實際的例子講解如何使用k 近鄰演算法改進約會 1.1 knn演算法 工作原理 存在乙個樣本資料集合，也稱作訓練樣本集，並且...