KNN算法API

学习目标

1.K近邻算法

2.分类模型评估算法

3.K值选择

1.K近邻算法API

Sklearn API介绍

示例代码：

代码语言：javascript复制

from sklearn.datasets import load_iris
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier

if __name__ == '__main__':
    # 1. 加载数据集  
    iris = load_iris() #通过iris.data 获取数据集中的特征值  iris.target获取目标值

    # 2. 数据标准化
    transformer = StandardScaler()
    x_ = transformer.fit_transform(iris.data) # iris.data 数据的特征值

    # 3. 模型训练
    estimator = KNeighborsClassifier(n_neighbors=3) # n_neighbors 邻居的数量，也就是Knn中的K值
    estimator.fit(x_, iris.target) # 调用fit方法 传入特征和目标进行模型训练

    # 4. 利用模型预测
    result = estimator.predict(x_) 
    print(result)

小结

1、sklearn中K近邻算法的对象：

代码语言：javascript复制

from sklearn.neighbors import KNeighborsClassifier
 estimator = KNeighborsClassifier(n_neighbors=3)  # K的取值通过n_neighbors传递

K值也就是n_beighbors的选择尤为重要 ，下文我们会继续介绍

2、sklearn中大多数算法模型训练的API都是同一个套路

代码语言：javascript复制

estimator = KNeighborsClassifier(n_neighbors=3) # 创建算法模型对象
estimator.fit(x_, iris.target)  # 调用fit方法训练模型
estimator.predict(x_)           # 用训练好的模型进行预测

3、sklearn中自带了几个学习数据集

• 都封装在sklearn.datasets 这个包中
• 加载数据后，通过data属性可以获取特征值，通过target属性可以获取目标值， 通过DESCR属性可以获取数据集的描述信息

2.分类模型评估方法

我们在建立模型时，少不了对数据的引用，接下来我们首先介绍数据划分及选样的方法