数据挖掘-K-近邻分类器-Iris数据集分析-使用K-近邻分类器进行分类预测(四)

爱被打了一巴掌 2022-07-11 13:26 155阅读 0赞

# coding: utf-8
    #使用 scikit-learn库的K-近邻分类器完成分类
    #1. 首先将数据集中的数据进行打乱
    #2. 将数据分为训练集和测试集两部分
    #3. 使用 k-means分类器进行分类训练，得到预测模型
    #4. 使用模型对测试集进行测试，并与真实结果进行比较，计算错误率
    import numpy as np
    from sklearn import datasets
    np.random.seed(0)
    iris=datasets.load_iris()
    x=iris.data
    y=iris.target
    #打乱数据集中的所有数据
    # permutation函数: 随机排列   https://docs.scipy.org/doc/numpy/reference/generated/numpy.random.permutation.html
    i=np.random.permutation(len(iris.data))
    #训练集： 取出打乱后的前140条数据
    x_train=x[i[:-40]]   #前110条数据
    y_train=y[i[:-40]]   #前110条数据对应的花的类型
    
    #输出x_train, y_train
    #x_train
    #y_train
    
    #测试集
    x_test=x[i[-40:]]   #最后40条数据
    y_test=y[i[-40:]]   #最后40条数据对应的花的类型
    
    #使用k-近邻算法   引入kneighborsClassifier分类器,再使用fit()来训练
    from sklearn.neighbors import KNeighborsClassifier
    # KneighborsClassifier参数详解: http://blog.csdn.net/helloworld6746/article/details/50817427
    # http://scikit-learn.org/stable/modules/generated/sklearn.neighbors.KNeighborsClassifier.html
    knn=KNeighborsClassifier()   #使用构造函数创建分类器
    knn.fit(x_train,y_train)     #调用fit方法训练分类器，得到预测模型
    
    #下面使用这个模型进行预测
    y_predicted=knn.predict( x_test )
    #对比标准结果
    y_test  
    
    #计算正确率
    accuracy=np.mean( y_predicted==y_test)*100
    print(u"模型正确率为:{:.1f}%".format( accuracy))    # 95%