from sklearn.datasets import make_blobs X, y = _____________________ #导入相应的matplotlib.pyplot库和numpy库 ______________________________ _______________________________ # 画出数据 __________________________ #创建画布 # 用scatter函数画出样本 ____________________________ ___________________________#并保存文件 ___________________________#显示png #导入KNeighborsClassifier库 ______________________________ _____ # 模型搭建与训练 ___________________ ___________________ # 预测[0, 2] X_sample = ________________ y_sample = __________________ print(y_sample) # kneighbors(self[, X, n_neighbors, …]) 获取某节点的k个近邻 neighbors = ___________________________ print("测试样本:"+str(X_sample)) print("近邻样本为:"+str(neighbors)) # 画出示意图 _______________ ____________________________________# 画出训练样本 # 画出测试样本点 _______________________________________________________ for i in neighbors[0]: plt.plot([X[i][0], X_sample[0][0]], [X[i][1], X_sample[0][1]], 'k--', linewidth=0.6) # 预测点与距离最近的5个样本的连线 plt.savefig('knn_predict.png') plt.show()
时间: 2024-03-13 13:44:46 浏览: 13
这段代码是使用Scikit-learn库中的KNeighborsClassifier算法进行K近邻分类的代码,步骤如下:
1. 从Scikit-learn库中导入make_blobs函数生成样本数据。
2. 导入matplotlib.pyplot库和numpy库。
3. 用scatter函数画出生成的样本数据。
4. 创建画布,并保存文件。
5. 导入KNeighborsClassifier库。
6. 创建KNeighborsClassifier对象,并使用fit方法进行模型训练。
7. 使用predict方法进行预测。
8. 画出测试样本点与距离最近的5个样本的连线,并保存文件。
下面是代码的具体实现:
```python
from sklearn.datasets import make_blobs
from sklearn.neighbors import KNeighborsClassifier
import matplotlib.pyplot as plt
import numpy as np
# 生成样本数据
X, y = make_blobs(n_samples=50, centers=2, random_state=0, cluster_std=0.6)
# 画出数据
plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.get_cmap('bwr'), edgecolors='k')
plt.colorbar()
plt.title('Sample Data')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
# 保存文件
plt.savefig('knn_data.png')
plt.show()
# 创建KNeighborsClassifier对象,并使用fit方法进行模型训练
knn = KNeighborsClassifier(n_neighbors=5)
knn.fit(X, y)
# 预测[0, 2]
X_sample = [[0, 2]]
y_sample = knn.predict(X_sample)
print(y_sample)
# kneighbors(self[, X, n_neighbors, …]) 获取某节点的k个近邻
neighbors = knn.kneighbors(X_sample, return_distance=False)
# 画出示意图
plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.get_cmap('bwr'), edgecolors='k')
plt.colorbar()
plt.title('KNN Classifier')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
# 画出测试样本点
plt.scatter(X_sample[0][0], X_sample[0][1], marker='x', color='r', s=200)
# 画出预测点与距离最近的5个样本的连线
for i in neighbors[0]:
plt.plot([X[i][0], X_sample[0][0]], [X[i][1], X_sample[0][1]], 'k--', linewidth=0.6)
# 保存文件
plt.savefig('knn_predict.png')
plt.show()
```