python的knn算法,python中计算n!

　　本教程运行环境：windows7系统，Python 3.9.1，DELL G3电脑。

　　最近邻算法被称为KNN算法，是机器学习的经典算法。一般来说，KNN算法是相对的。

　　简单易懂的算法。

　　1、定义

　　如果特征空间中k个最相似样本的大部分属于某个类别，那么这个样本也属于这个类别。(出处：KNN是由Cover和Hart首先提出的一种分类算法)；俗话说：从“邻居”推断你的类别。

　　2、基本流程

　　(1)计算已知类数据集中的点与当前点之间的距离；以及(2)按照距离增加的顺序排序。

　　(2)选择与当前点距离最小的k个点

　　(3)统计前k个点所在类别的出现频率。

　　(4)返回前k个点出现频率最高的类别作为当前点的预测分类。

　　3、实例

　　代码涉及sklean库，需要安装sk lean库。

　　fromsk learn . datasetsimportload _ iris

　　fromsk learn . model _ selectionimporttrain _ test _ split

　　fromsk learn . preprocessingimportstandardscaler

　　fromsk learn . neighborsimportknighborsclassifier

　　#1.检索数据

　　iris=load_iris()

　　#2.基础数据处理：训练集特征值x _训练测试集x _测试训练集y _训练测试集y _测试，

　　x:数据集的特征值

　　Y:数据集的标签值

　　测试集的Test_size:一般为float。

　　Random_state:随机数，种类不同会造成随机抽样结果不同。相同的物种有相同的取样结果。

　　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-特征预处理

　　transfer=StandardScaler()

　　x _ train=transfer . fit _ transform(x _ train)

　　x _ test=transfer . transform(x _ test)

　　#4.机器学习-KNN

　　#4.1实例化评估者

　　estimator=KNeighborsClassifier(n _ neighbors=5)

　　#4.2模型培训

　　estimator.fit(x_train，y_train)

　　#5.模型评估

　　#5.1预测值结果的输出

　　y_pre=estimator.predict(x_test)

　　打印(预测值为：\n ，y_pre)

　　Print(预测值和真实值的比较是：\n ，y_pre==y_test)

　　#5.2精度计算

　　score=estimator.score(x_test，y_test)

　　Print(准确率为：\n ，分数)以上是python中K-NN算法的介绍。希望能帮到你。更多Python学习指南：python基础教程

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。