导语：
本文主要介绍了关于python中K-NN算法是什么？的相关知识，希望可以帮到处于编程学习途中的小伙伴
本文教程操作环境：windows7系统、Python 3.9.1，DELL G3电脑。
K 最近邻算法也称为 KNN 算法。该算法是机器学习中比较经典的算法。一般来说，KNN算法相对
较容易理解的算法。
1、定义
如果一个样本在特征空间（即特征空间中的最近邻）中的k个最相似样本中的大部分属于某一类，则该样本也属于这一类。 （出处：KNN最早是由Cover和Hart提出的一种分类算法）；俗话说：以“邻居”推断你的类别。
2、基本流程
(1) 计算已知数据集中的点与当前点的距离 2) 按距离从大到小排序
（2）选取与当前点距离最小的k个点
（3）统计前k个点所在的类别出现的频率
(4) 返回前k个点出现频率最高的类别作为当前点的预测类别
3、实例
代码涉及sklean库，需要安装sklearn库。
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
# 1.获取数据
iris = load_iris()
# 2.数据基本处理：训练集的特征值x_train 测试集的特征值x_test 训练集的⽬标值y_train 测试集的⽬标值y_test，
'''
x: 数据集的特征值
y: 数据集的标签值
test_size: 测试集的⼤⼩， ⼀般为float
random_state: 随机数种⼦,不同的种⼦会造成不同的随机采样结果。 相同的种⼦采样结果相同
'''
x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=22)
# 3.特征工程 - 特征预处理
transfer = StandardScaler()
x_train = transfer.fit_transform(x_train)
x_test = transfer.transform(x_test)
# 4.机器学习-KNN
# 4.1 实例化一个估计器
estimator = KNeighborsClassifier(n_neighbors=5)
# 4.2 模型训练
estimator.fit(x_train, y_train)
# 5.模型评估
# 5.1 预测值结果输出
y_pre = estimator.predict(x_test)
print("预测值是:\n", y_pre)
print("预测值和真实值的对比是:\n", y_pre==y_test)
# 5.2 准确率计算
score = estimator.score(x_test, y_test)
print("准确率为:\n", score)
以上就是p
ython中K-NN算法的介绍，希望能对大家有所帮助。
更多Python学习指路:
本文为原创文章，版权归知行编程网所有，欢迎分享本文，转载请保留出处！
内容反馈