一、第一個(gè)K近鄰算法應(yīng)用：鳶尾花分類

import numpy as np from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.neighbors import KNeighborsClassifier# 加載數(shù)據(jù) iris_dataset = load_iris()# 實(shí)例化模型 knn = KNeighborsClassifier(n_neighbors=1)# 切分訓(xùn)練和測(cè)試數(shù)據(jù)集 X_train,X_test,y_train,y_test = train_test_split(iris_dataset["data"], iris_dataset["target"],random_state=0)#訓(xùn)練 knn.fit(X_train, y_train)# 評(píng)估模型 print("Test set score:{:.2f}".format(knn.score(X_test,y_test)))# 預(yù)測(cè) X_new = np.array([[5,2.9,1,0.2]]) prediction = knn.predict(X_new) print("Predicted target name:{}".format(iris_dataset["target_names"][prediction]))

以上代碼段包含了應(yīng)用scikit-learn中人和機(jī)器學(xué)習(xí)算法的核心代碼。

fit、predict和score方法是scikit-learn監(jiān)督學(xué)習(xí)模型中最常用的接口。

與50位技術(shù)專家面對(duì)面20年技術(shù)見證，附贈(zèng)技術(shù)全景圖

總結(jié)

以上是生活随笔為你收集整理的2、python机器学习基础教程——K近邻算法鸢尾花分类的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。