Python KNN 鸢尾花分类：代码解析及实战

这份代码使用 K-近邻算法 (KNN) 对经典的鸢尾花数据集进行分类，并演示如何进行预测。

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('模型的准确率：', test_score)
    X1 = np.array([[4.3, 3, 1.1, 0.1], [6.3, 2.3, 4.4, 1.3], [7.7, 2.6, 6.9, 2.3]])
    prediction = KNN.predict(X1)
    k = iris.get('target_names')[prediction]
    print('第一朵花的种类为：', k[0])
    print('第二朵花的种类为：', k[1])
    print('第二朵花的种类为：', k[2])

代码解析

• 导入库

  • from sklearn.datasets import load_iris: 导入鸢尾花数据集。
  • from sklearn.model_selection import train_test_split: 导入用于将数据集划分为训练集和测试集的函数。
  • from sklearn.neighbors import KNeighborsClassifier: 导入 KNN 分类器。
  • import numpy as np: 导入 NumPy 库。

• 加载数据

  • iris = load_iris(): 加载鸢尾花数据集。
  • data = iris.get('data'): 获取数据集的特征数据。
  • target = iris.get('target'): 获取数据集的标签数据。

• 数据预处理

  • x_train, x_test, y_train, y_test = train_test_split(data, target, test_size=0.2, random_state=0): 将数据集划分为 80% 的训练集和 20% 的测试集，并使用随机种子 0 保证每次划分的结果相同。

• 模型训练

  • KNN = KNeighborsClassifier(n_neighbors=5): 创建一个 KNN 分类器，其中 n_neighbors=5 表示使用 5 个最近邻。
  • KNN.fit(x_train, y_train): 使用训练集对 KNN 分类器进行训练。

• 模型评估

  • train_score = KNN.score(x_train, y_train): 计算模型在训练集上的准确率。
  • test_score = KNN.score(x_test, y_test): 计算模型在测试集上的准确率。
  • print('模型的准确率：', test_score): 打印模型的测试集准确率。

• 预测

  • X1 = np.array([[4.3, 3, 1.1, 0.1], [6.3, 2.3, 4.4, 1.3], [7.7, 2.6, 6.9, 2.3]]): 创建一个包含三个新样本的数组。
  • prediction = KNN.predict(X1): 使用训练好的 KNN 模型对新样本进行预测。
  • k = iris.get('target_names')[prediction]：将预测结果转换为类别名称。

• 输出结果

  • print('第一朵花的种类为：', k[0])
  • print('第二朵花的种类为：', k[1])
  • print('第二朵花的种类为：', k[2])

这份代码展示了如何使用 KNN 算法进行分类并进行预测。你可以根据实际情况修改代码，例如调整 n_neighbors 值、使用不同的数据集或添加其他机器学习功能。