机器学习笔记(4)---K-近邻算法(2)---使用sklearn中的KNN算法
2018-01-27 12:08
429 查看
前言
上一篇文章《K-近邻算法(1)—约会对象魅力程度分类》中进行距离计算时使用的函数是由自己实现的classify0()完成,本篇文章改用sklearn库的KNN相关的接口实现。其实只要学会了上一节中的K-近邻算法,在其基础上只要做如下修改即可。最主要的修改就是调用分类函数的地方改成调用sklearn的库,然后在预测时注意下其返回的结果是个ndarray,取值方式稍有不同,其它都一样的。转载请注明出处:http://blog.csdn.net/rosetta
Scikit learn 简介
也简称 sklearn, 是机器学习领域当中最知名的 python 模块之一。Sklearn 包含了很多种机器学习的方式:Classification 分类
Regression 回归
Clustering 非监督分类
Dimensionality reduction 数据降维
Preprocessing 数据预处理
源码实现
from sklearn.neighbors import KNeighborsClassifier def sklearn_classifyPerson(): resultList = ['没有魅力', '魅力一般', '极具魅力'] ffMiles = float(input("每年飞行公里数?")) percentTats=float(input("打游戏耗费时间的百分比?")) iceCream = float(input("每周消费的冰激凌?")) datingDataMat, datingLabels = file2matrix('datingTestSet2.txt') normMat, ranges, minVals = autoNorm(datingDataMat) inArr = np.array([ffMiles,percentTats,iceCream]) # classifierResult = classify0((inArr-minVals)/ranges, normMat, datingLabels, 3) neigh = KNeighborsClassifier(n_neighbors=3) neigh.fit(normMat, datingLabels) classifierResult = neigh.predict([(inArr-minVals)/ranges])[0]#其返回的是ndarray,后面加[0]表示取里面的值。 print("这个人:", resultList[classifierResult-1])
直接在Python的main函数中调用sklearn_classifyPerson函数即可。
运行结果如下:
如有疑问之处欢迎加我微信交流,共同进步!请备注“CSDN博客”
相关文章推荐
- 机器学习笔记(6)---K-近邻算法(4)---使用K近邻算法检测异常操作之一
- 机器学习笔记(7)---K-近邻算法(5)---使用K近邻算法检测异常操作之二
- 机器学习整理笔记——使用k-近邻算法对手写识别系统的测试
- 机器学习笔记(3)---K-近邻算法(1)---约会对象魅力程度分类
- 机器学习笔记(1)-KNN(K-近邻算法)
- 【机器学习】使用Scikit-Learn库实现K-近邻(KNN)算法
- 机器学习笔记--K-近邻算法(一)
- 机器学习实战笔记2(k-近邻算法)
- CSDN机器学习笔记十一 k-近邻算法
- 机器学习实战笔记2(k-近邻算法)
- 【机器学习实战笔记】第2章 k-近邻算法【02】
- 机器学习实战--笔记2(k-近邻算法)
- 机器学习笔记(二)——k-近邻算法
- 机器学习实战笔记之k-近邻算法
- 机器学习 & python 使用k-近邻算法改进约会网站的配对效果
- 机器学习—使用k-近邻算法改进约会网站的配对效果
- 机器学习笔记(8)---K-近邻算法(6)---KNN算法学习总结
- 机器学习----笔记之k-近邻算法(2)
- 机器学习实战笔记一 k-近邻算法
- 【机器学习】k-近邻算法(kNN) 学习笔记