Python 机器学习 K-近邻算法 鸢尾花种类预测
K-近邻算法（K-Nearest Neighbors, KNN）是一种简单而强大的机器学习算法，适用于分类和回归任务。可以使用scikit-learn库的KNN算法来预测鸢尾花（Iris）的种类。鸢尾花数据集是机器学习领域中常用的一个数据集，包含了150个鸢尾花样本，每个样本有四个特征：萼片长度、萼片宽度、花瓣长度和花瓣宽度，以及样本的种类（Setosa、Versicolour、Virginica）。
参考文档：
1、鸢尾花数据集
鸢尾花数据集是机器学习中常用的经典数据集之一，由英国统计学家 R. A. Fisher 于 1936 年收集整理。该数据集包含 150 个样本，每个样本对应一种鸢尾花。并包含 4 个特征：
- 花萼长度
- 花萼宽度
- 花瓣长度
- 花瓣宽度
根据这 4 个特征，可以将鸢尾花分为 3 类：
- 山鸢尾 (Iris setosa)
- 变色鸢尾 (Iris versicolor)
- 维吉尼亚鸢尾 (Iris virginica)
2、K-近邻算法 (KNN) 种类预测
K-近邻算法 (KNN) 是一种简单有效的机器学习算法，常用于分类和回归任务。KNN 算法通过计算数据点与训练数据集中所有数据点的距离，来确定数据点的类别或预测值。在种类预测任务中，KNN 算法可以用于预测数据点所属的类别。对于测试数据集中的每个样本，计算其与训练数据集中的所有样本的距离。常用的距离度量方法包括欧几里得距离、曼哈顿距离、闵可夫斯基距离等。根据距离计算的结果，找到与测试样本距离最近的 K 个样本。根据 K 近邻的类别，预测测试样本的类别。通常情况下，采用多数投票的方式进行预测，即 K 近邻中出现最多的类别就是测试样本的预测类别。
参考文档：
3、预测和评估
使用 Python 机器学习库 scikit-learn 中的 K-近邻算法 (KNN) 来预测鸢尾花的种类，并进行模型评估。使用鸢尾花（Iris）数据集，应用K-近邻（KNN）算法，同时比较了三种不同的距离度量方法：欧几里得距离（Euclidean）、曼哈顿距离（Manhattan）和切比雪夫距离（Chebyshev）。代码如下，
1）显示报告
# 导入所需的库
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report
# 加载鸢尾花数据集
iris = load_iris()
X = iris.data
y = iris.target
# 划分数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)
# KNN模型使用不同的距离度量
distance_metrics = ['euclidean', 'manhattan', 'chebyshev']
for metric in distance_metrics:
# 创建KNN分类器
knn = KNeighborsClassifier(n_neighbors=3, metric=metric)
# 在训练集上训练模型
knn.fit(X_train, y_train)
# 使用模型对测试集进行预测
y_pred = knn.predict(X_test)
# 计算并打印模型准确率
accuracy = accuracy_score(y_test, y_pred)
print(f'Accuracy: {accuracy:.2f}')
# 显示混淆矩阵
conf_matrix = confusion_matrix(y_test, y_pred)
print('Confusion Matrix:')
print(conf_matrix)
# 显示分类报告
class_report = classification_report(y_test, y_pred)
print('Classification Report:')
print(class_report)
2）显示图表
示例代码：
