K 近邻算法 API

最新推荐文章于 2025-08-24 11:06:10 发布

AI耽误的大厨

最新推荐文章于 2025-08-24 11:06:10 发布

阅读量928

点赞数 2

CC 4.0 BY-SA版权

文章标签：近邻算法算法人工智能 sklearn

本文链接：https://blog.csdn.net/weixin_46556352/article/details/123881143

该博客介绍了如何使用sklearn库在鸢尾花数据集上实现KNN（K近邻）分类。首先加载鸢尾花数据，然后进行训练集和测试集划分，接着使用StandardScaler进行特征缩放，最后训练KNeighborsClassifier并进行预测，评估模型的预测结果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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.获取数据

# 1.1 小数据集获取
iris = load_iris()

# 1.2 大数据集获取
# news = fetch_20newsgroups()

# #2.数据基本处理
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.fit_transform(x_test)

#4.机器学习-KNN
estimator = KNeighborsClassifier(n_neighbors=5)
estimator.fit(x_train,y_train)

#5.模型评估
y_pre =estimator.predict(x_test)
print("预测值是：\n", y_pre)
print("预测值和真实值的对比是：\n", y_pre==y_test)