KNN(K-Nearest-Neighbours Classiflication)分類算法，供大家參考，具體內容如下

最簡單的分類算法，易于理解和實現

實現步驟：通過選取與該點距離最近的k個樣本，在這k個樣本中哪一個類別的數量多，就把k歸為哪一類。

注意

該算法需要保存訓練集的觀察值，以此判定待分類數據屬于哪一類

k需要進行自定義，一般選取k<30

距離一般用歐氏距離，即?

通過sklearn對數據使用KNN算法進行分類

代碼如下：

## 導入鳶尾花數據集

iris = datasets.load_iris()

data = iris.data[:, :2]

target = iris.target

## 區分訓練集和測試集，75%的訓練集和25%的測試集

train_data, test_data = train_test_split(np.c_[data, target])

## 訓練并預測，其中選取k=15

clf = neighbors.KNeighborsClassifier(15, 'distance')

clf.fit(train_data[:, :2], train_data[:, 2])

Z = clf.predict(test_data[:, :2])

print '準確率:' ,clf.score(test_data[:, :2], test_data[:, 2])

colormap = dict(zip(np.unique(target), sns.color_palette()[:3]))

plt.scatter(train_data[:, 0], train_data[:, 1], edgecolors=[colormap[x] for x in train_data[:, 2]],c='', s=80, label='all_data')

plt.scatter(test_data[:, 0], test_data[:, 1], marker='^', color=[colormap[x] for x in Z], s=20, label='test_data')

plt.legend()

plt.show()

結果如下：

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持愛蒂網。

總結

以上是生活随笔為你收集整理的python使用欧氏距离knn_python运用sklearn实现KNN分类算法的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。