第三章KNN算法实现实验拓展

第三章KNN算法实现实验拓展

2．编写代码，实现对iris数据集的KNN算法分类及预测，要求：

（1）数据集划分为测试集占20%；

（2）n_neighbors=5；

（3）评价模型的准确率；

（4）使用模型预测未知种类的鸢尾花。

关键：划分数据

代码：

from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split
from sklearn import datasets
iris = datasets.load_iris()
x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target,train_size=0.8, random_state=0)#训练集占样本总数的0.8
knn=KNeighborsClassifier(n_neighbors=5)
knn.fit(x_train,y_train)
print("测试集上的准确率:",knn.score(x_test,y_test))
print("训练集上的准确率",knn.score(x_train,y_train))

3.改进模型，要求：

（1）数据集划分采用10折交叉验证；

（2）寻找最优的n_neighbors值（在5-10之间）；

（3）使用新的模型预测未知种类的鸢尾花。

代码

from sklearn.neighbors import KNeighborsClassifier
from sklearn import datasets
from sklearn.model_selection import cross_val_score
iris=datasets.load_iris()
for i in range(5,11):
    knn=KNeighborsClassifier(n_neighbors=i)
    print(f"k={i}时,平均准确率为:{cross_val_score(knn,iris.data,iris.target,cv=10).mean()}")

结果