机器学习之KNN

1.环境

anaconda3，python3.8，jupyter，机器学习框架：sklearn，python第三方库：numpy、sklearn、pandas等

2.步骤

加载数据集（Iris鸢尾花数据集）from sklearn.datasets import load_iris

将数据集按照3：1的比例分成训练集和数据集  from sklean.model_selection import train_test_spilt

实例化一个KNN对象   from sklearn.neighbors import KNeighborsClassfier;  knn=KNeighborsClassfier(n_neighbors=5)

利用训练集构造一个KNN模型  knn.fit(X_train,y_train)  

利用测试集测试模型的精度  predict_accuracy=knn.score(X_test,y_test)

利用一个新的样本输出该样本的预测输出值  X_new = np.array([[5,2.9,1.0,0.2]]); y_new = knn.precdict(X_new)，注意新样本必须是一个二维nd.array数组

3.KNN思想：给定一个新样本x，在训练集中找到与新样本最近的k个样本，这k个样本中最多的输出值（标签）即是x的预测输出值（预测标签）

4.pandas数据可视化 import pandas as pd

   将numpy中的nd.array转换成pandas中的DataFrame以便数据可视化

   iris_dataframe = pd.DataFrame(X_train,columns=irsi_dataset['feature_names'])

   创建散点图矩阵：pd.plotting.scatter_matrix()