粒子群优化KNN多分类并有评价指标python

粒子群优化 (Particle Swarm Optimization, PSO) 是一种常用的优化算法，可以用于多分类问题中的模型参数优化。KNN（K-Nearest Neighbor）是一种基本的分类算法，可以用于多分类问题的解决。以下是一个基于PSO优化KNN多分类的示例代码，并附带评价指标的计算：

import numpy as np
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score, f1_score

# 加载鸢尾花数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 定义KNN分类器
def knn_classifier(k):
    knn = KNeighborsClassifier(n_neighbors=k)
    knn.fit(X_train, y_train)
    y_pred = knn.predict(X_test)
    return accuracy_score(y_test, y_pred), f1_score(y_test, y_pred, average='weighted')

# 定义适应度函数
def fitness_func(pos):
    k = int(pos[0])
    return -knn_classifier(k)[0]

# 定义PSO算法
class PSO():
    def __init__(self, n_dim, size_pop, max_iter):
        self.w = 0.8 # 惯性权重
        self.c1 = 2 # 个体学习因子
        self.c2 = 2 # 全局学习因子
        self.n_dim = n_dim # 粒子维度
        self.size_pop = size_pop # 粒子群大小
        self.max_iter = max_iter # 最大迭代次数
        self.X = np.random.uniform(1, 50, (size_pop, n_dim)) # 初始化粒子位置
        self.V = np.random.uniform(-1, 1, (size_pop, n_dim)) # 初始化粒子速度
        self.pbest = self.X.copy() # 初始化个体最优位置
        self.gbest = self.X[np.argmin([fitness_func(p) for p in self.X])] # 初始化全局最优位置

    def evolve(self):
        for i in range(self.max_iter):
            r1 = np.random.rand(self.size_pop, self.n_dim)
            r2 = np.random.rand(self.size_pop, self.n_dim)
            self.V = self.w * self.V + self.c1 * r1 * (self.pbest - self.X) + self.c2 * r2 * (self.gbest - self.X)
            self.X = self.X + self.V
            self.X = np.clip(self.X, 1, 50) # 粒子位置限制在 [1, 50] 范围内
            for j in range(self.size_pop):
                if fitness_func(self.X[j]) < fitness_func(self.pbest[j]):
                    self.pbest[j] = self.X[j]
            if fitness_func(self.pbest[np.argmin([fitness_func(p) for p in self.X])]) < fitness_func(self.gbest):
                self.gbest = self.pbest[np.argmin([fitness_func(p) for p in self.X])]
            print('Iteration {}: Accuracy={}, F1 Score={}'.format(i+1, -fitness_func(self.gbest)[0], fitness_func(self.gbest)[1]))

# 运行PSO算法
pso = PSO(n_dim=1, size_pop=20, max_iter=50)
pso.evolve()

# 输出最优解
print('Best K:', int(pso.gbest[0]))
print('Accuracy:', -fitness_func(pso.gbest)[0])
print('F1 Score:', fitness_func(pso.gbest)[1])

在上面的代码中，我们先定义了一个KNN分类器，然后定义了一个适应度函数，用于计算粒子的适应度。然后，我们编写了一个PSO类，用于执行粒子群优化算法。在该类的构造函数中，我们初始化了粒子位置、速度和个体最优位置等。在evolve方法中，我们执行了粒子位置和速度的更新，并更新了个体最优位置和全局最优位置。最后，我们输出了最优解以及评价指标（准确率和F1分数）。

以上就是一个基于PSO优化KNN多分类的示例代码，并附带评价指标的计算。其中，准确率和F1分数是常用的评价指标，可以用于评估分类器的性能。