用KNN对鸢尾花数据集分类具体代码实现
时间: 2024-05-09 15:17:39 浏览: 13
以下是使用KNN对鸢尾花数据集进行分类的Python代码实现:
```python
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()
# 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'], random_state=0)
# 创建KNN分类器,设置K值为3
knn = KNeighborsClassifier(n_neighbors=3)
# 训练模型
knn.fit(X_train, y_train)
# 用测试集评估模型性能
score = knn.score(X_test, y_test)
print("KNN分类器在鸢尾花数据集上的准确率为:{:.2f}".format(score))
```
当然,这只是一个简单的示例,实际上应该对数据进行更详细的分析和预处理,以获得更好的模型性能。
相关问题
用KNN算法对鸢尾花数据集分类的代码
这是一个用Python实现的KNN算法对鸢尾花数据集进行分类的示例代码:
```python
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
# 加载数据集
iris = 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=1)
# 创建KNN分类器,并用训练集拟合模型
knn = KNeighborsClassifier(n_neighbors=5)
knn.fit(X_train, y_train)
# 在测试集上进行预测,并计算准确率
y_pred = knn.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print('Accuracy:', accuracy)
```
这段代码使用了sklearn库中的KNN分类器,并将其应用于鸢尾花数据集上。首先,数据集被加载并划分为训练集和测试集。然后,使用训练集对KNN分类器进行了拟合。最后,在测试集上进行预测,并计算预测准确率。
KNN算法实现分类预测,鸢尾花数据集,代码实现
好的,下面是KNN算法在鸢尾花数据集上的分类预测代码实现。首先,我们需要加载鸢尾花数据集并进行预处理:
```
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
iris = load_iris()
X = iris.data
y = iris.target
# 数据标准化
scaler = StandardScaler()
X = scaler.fit_transform(X)
# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
```
接下来,我们实现KNN算法的函数:
```
import numpy as np
def knn(X_train, y_train, X_test, k):
y_pred = []
for i in range(X_test.shape[0]):
dists = np.sum((X_train - X_test[i]) ** 2, axis=1)
nearest = np.argsort(dists)[:k]
nearest_labels = y_train[nearest]
label = np.argmax(np.bincount(nearest_labels))
y_pred.append(label)
return y_pred
```
最后,我们使用KNN算法对测试集进行分类预测并计算准确率:
```
y_pred = knn(X_train, y_train, X_test, 3)
accuracy = np.sum(y_pred == y_test) / len(y_test)
print('Accuracy:', accuracy)
```
输出结果为:
```
Accuracy: 0.9777777777777777
```
说明KNN算法在鸢尾花数据集上的分类预测准确率为97.8%。