01 基本操作-鸢尾花分类knn

第一个应用:鸢尾花分类

需要的几个python库

scikit-learn:两个 Python 包:NumPy 和 SciPy。NumPy包括多维数组、高级数学函数(比如线性代数运算和傅里叶变换),以及伪随机数生成器。 SciPy具有线性代数高级程序、数学函数优化、信号处理、特殊数学函数和统计分布等多项功能。


numpy


scipy

matplotlib:画图必备。绘图和进行交互式开发。

matplotlib

pandas:基于一种叫作 DataFrame 的数据结构,这种数据结构模仿了 R 语言中的 DataFrame。类似于 Excel 表格。pandas 中包含大量用于修改表格和操作表格的方法,尤其是可以像 SQL 一样对表格进行查询和连接。


 pandas

数据集部分:组中包含 150 朵不同的花的测量数据,但花种类就三种setosa,versicolor,virginica(词语很专业,不用特别查阅)数。每朵鸢尾花的一些测量数据(即特征):花瓣petal长度宽度以及花萼sepal的长度和宽度,所有测量结果的单位都是厘米。可以调用 load_iris 函数来加载数据,这是默认数据集,不需要额外导入,可以尝试打印前5个看看效果。


feature和种类
打印前5个看看


数据都ok了,接下来,我们要做3件事情。1.把数据分为训练集和测试集。为什么这么分?要用训练集来调整我们的算法模型是否ok,然后把模型放在测试集看看是否work? 2如何分类我们无需自己造轮子,选取一个已经有的经典模型,模型的选取有很多讲究,这里先不展开,具体可以看周志华的书。3验证一下我们选取的模型在测试的效果怎么样。下面先看第一步,分train和test。主要是红色框的split,下面是打印出结果集

train和test

第二步要选择模型,这里选择默认的knn,knn的具体定义可以参考各大搜索引擎。简单的说,把要比较的feature和最像(最像由距离决定,距离由向量决定,最像由阈值决定)的结果挑出来,最像的什么类型,你就是什么类型。近朱者赤近墨者黑的意思。


sklearn中的knn算法

第三步测试一下方法怎么样。我们用knn在训练集把方法训练好后,就把模型带到测试去看看准不准。医生带学生识别如何分辨病症,然后带两个病人要学生看看准不准。病人这里就是测试集。


输入了测试集,发现鸢尾花的setosa种类

测试一个不行,要把所有的测试集都输入模型中看看准度。如何验证准度呢?原来100%的数据中,划分了75做训练集。然后剩下的25做测试集把名字去掉,和模型算出来的名字对比。一样的就算对了,不一样的就算错了。


mean和score两个方法都可以算对比准度

结果显示准度是97%。结果集的准度可以优化,和哪些有关呢?

1.训练集和测试集的划分

2.模型的优化,knn、贝叶斯等

3.调整模型,如knn要计算多少个邻居才算准。

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 213,752评论 6 493
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,100评论 3 387
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 159,244评论 0 349
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,099评论 1 286
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,210评论 6 385
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,307评论 1 292
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,346评论 3 412
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,133评论 0 269
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,546评论 1 306
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,849评论 2 328
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,019评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,702评论 4 337
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,331评论 3 319
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,030评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,260评论 1 267
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,871评论 2 365
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,898评论 2 351

推荐阅读更多精彩内容