生成利用KNN算法对鸢尾花数据集进行二分类的python代码
时间: 2023-12-03 07:44:37 浏览: 29
以下是利用KNN算法对鸢尾花数据集进行二分类的Python代码:
```python
import numpy as np
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
# 加载鸢尾花数据集
iris = load_iris()
X = iris.data
y = iris.target
# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
# 创建KNN分类器
knn = KNeighborsClassifier(n_neighbors=3)
# 在训练集上训练KNN模型
knn.fit(X_train, y_train)
# 在测试集上评估模型性能
accuracy = knn.score(X_test, y_test)
print("测试集准确率:", accuracy)
```
在这个例子中,我们从sklearn.datasets中导入鸢尾花数据集,然后将数据集分为训练集和测试集。接着,我们创建一个KNN分类器,并使用训练集对其进行训练。最后,我们在测试集上评估模型性能,并输出测试集准确率。
相关问题
生成利用KNN算法对鸢尾花数据集进行三分类的python代码
以下是利用KNN算法对鸢尾花数据集进行三分类的Python代码:
```python
import numpy as np
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score
# 加载鸢尾花数据集
iris = load_iris()
# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3, random_state=42)
# 建立KNN分类模型
knn = KNeighborsClassifier(n_neighbors=3)
# 拟合训练数据
knn.fit(X_train, y_train)
# 预测测试数据
y_pred = knn.predict(X_test)
# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("KNN分类器准确率为:", accuracy)
```
在上面的代码中,首先我们使用`load_iris()`函数加载鸢尾花数据集,然后将数据集分为训练集和测试集。接着,我们建立一个KNN分类模型,并使用`fit()`方法拟合训练数据。最后,我们使用`predict()`方法预测测试数据,并使用`accuracy_score()`函数计算模型的准确率。
生成利用KNN算法对鸢尾花数据集进行三分类并进行可视化的python代码
以下是利用KNN算法对鸢尾花数据集进行三分类并进行可视化的Python代码:
```python
import numpy as np
from sklearn import datasets
from sklearn.neighbors import KNeighborsClassifier
import matplotlib.pyplot as plt
# 加载鸢尾花数据集
iris = datasets.load_iris()
X = iris.data[:, :2] # 只取前两个特征,方便可视化
y = iris.target
# 定义KNN模型并训练
knn = KNeighborsClassifier(n_neighbors=3) # 选择3个最近邻
knn.fit(X, y)
# 生成网格点坐标
x_min, x_max = X[:, 0].min() - 0.5, X[:, 0].max() + 0.5
y_min, y_max = X[:, 1].min() - 0.5, X[:, 1].max() + 0.5
xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.1), np.arange(y_min, y_max, 0.1))
# 预测并可视化
Z = knn.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
plt.contourf(xx, yy, Z, alpha=0.4)
plt.scatter(X[:, 0], X[:, 1], c=y, alpha=1.0)
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.title('KNN classification')
plt.show()
```
运行结果如下图所示:
![KNN分类可视化结果](https://img-blog.csdn.net/20180503165304881)