2. 編寫代碼，實現(xiàn)對iris數(shù)據(jù)集的KNN算法分類及預(yù)測
要求：
（1）數(shù)據(jù)集劃分為測試集占20%；
（2）n_neighbors=5；
（3）評價模型的準(zhǔn)確率；
（4）使用模型預(yù)測未知種類的鳶尾花。
（待預(yù)測數(shù)據(jù)：X1=[[1.5 , 3 , 5.8 , 2.2], [6.2 , 2.9 , 4.3 , 1.3]]）
iris數(shù)據(jù)集有150組，每組4個數(shù)據(jù)。
第一步：引入所需庫
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
import numpy as np
第二步：劃分測試集占20%
x_train, x_test, y_train, y_test = train_test_split(data, target, test_size=0.2, random_state=0)
test_size為0-1的數(shù)代表占百分之幾
random_state為零隨機數(shù)確定，每次結(jié)果都相同
第三步：n_neighbors=5
KNeighborsClassifier(n_neighbors=5)
第四步：評價模型的準(zhǔn)確率
KNN.fit(x_train, y_train)
# 訓(xùn)練集準(zhǔn)確率
train_score = KNN.score(x_train, y_train)
# 測試集準(zhǔn)確率
test_score = KNN.score(x_test, y_test)
第五步：使用模型預(yù)測未知種類的鳶尾花
#待預(yù)測數(shù)據(jù)：X1=[[1.5 , 3 , 5.8 , 2.2], [6.2 , 2.9 , 4.3 , 1.3]]
X1 = np.array([[1.5, 3, 5.8, 2.2], [6.2, 2.9, 4.3, 1.3]])
# 進行預(yù)測
prediction = KNN.predict(X1)
# 種類名稱
k = iris.get("target_names")[prediction]
完整代碼：文章來源：http://www.zghlxwxcb.cn/news/detail-479674.html
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
import numpy as np
if __name__ == '__main__':
iris = load_iris()
data = iris.get("data")
target = iris.get("target")
x_train, x_test, y_train, y_test = train_test_split(data, target, test_size=0.2, random_state=0)
KNN = KNeighborsClassifier(n_neighbors=5)
KNN.fit(x_train, y_train)
train_score = KNN.score(x_train, y_train)
test_score = KNN.score(x_test, y_test)
print("模型的準(zhǔn)確率：", test_score)
X1 = np.array([[1.5, 3, 5.8, 2.2], [6.2, 2.9, 4.3, 1.3]])
prediction = KNN.predict(X1)
k = iris.get("target_names")[prediction]
print("第一朵花的種類為：", k[0])
print("第二朵花的種類為：", k[1])
結(jié)果:
文章來源地址http://www.zghlxwxcb.cn/news/detail-479674.html
到了這里，關(guān)于機器學(xué)習(xí)之Python使用KNN算法對鳶尾花進行分類的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
