K-近鄰演算法API

• sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm='auto')
  • n_neighbors：int,可選（預設= 5），k_neighbors查詢預設使用的鄰居數
  • algorithm：{‘auto’，‘ball_tree’，‘kd_tree’，‘brute’}，可選用於計算最近鄰居的演算法：‘ball_tree’將會使用 BallTree，‘kd_tree’將使用 KDTree。‘auto’將嘗試根據傳遞給fit方法的值來決定最合適的演算法。 (不同實現方式影響效率)

#KNN演算法
def
 
 knn_iris():
    #1.獲取資料
    iris=load_iris();
    #2.劃分資料集
    x_train,x_test,y_train,y_test=train_test_split(iris.data,iris.target,random_state=6)
    #3.特徵工程：標準化
    transfer=StandardScaler()
    x_train=transfer.fit_transform(x_train)
    x_test=transfer.transform(x_test)
    #4.KNN演算法預估器
    estimator=KNeighborsClassifier(n_neighbors=3)
    estimator.fit(x_train,y_train)
    
 
#5.模型評估
    y_predict=estimator.predict(x_test)
    print(y_predict)
    print(y_test==y_predict)
    print(estimator.score(x_test,y_test))
    pass

#KNN演算法網格搜尋與交叉驗證
def knn_iris_gscv():
    #1.獲取資料
    iris=load_iris();
    #2.劃分資料集
    x_train,x_test,y_train,y_test=train_test_split(iris.data,iris.target,random_state=6)
    
 
#3.特徵工程：標準化
    transfer=StandardScaler()
    x_train=transfer.fit_transform(x_train)
    x_test=transfer.transform(x_test)
    #4.KNN演算法預估器
    estimator=KNeighborsClassifier()
    #加如網格搜尋與交叉驗證
    param_grid={"n_neighbors":[1,3,5,7,9,11]}
    estimator=GridSearchCV(estimator,param_grid=param_grid,cv=10)
    estimator.fit(x_train,y_train)
    #5.模型評估
    y_predict=estimator.predict(x_test)
    print(y_predict)
    print(y_test==y_predict)
    print(estimator.score(x_test,y_test))
    print("最佳引數:",estimator.best_params_)
    print("最佳結果：",estimator.best_score_)
    print("最佳估計器：",estimator.best_estimator_)
    print("交叉驗證結果：",estimator.cv_results_)
    pass