对KNN算法和决策树算法调节参数得出更优的结果代码

好的，下面是对KNN算法和决策树算法进行参数调节的示例代码。

KNN算法：

from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import GridSearchCV
import pandas as pd
import numpy as np

# 加载数据集
data = pd.read_csv('data.csv')
X = data.drop('label', axis=1)
y = data['label']

# 定义KNN模型
knn = KNeighborsClassifier()

# 定义参数范围
param_grid = {'n_neighbors': np.arange(1, 10)}

# 使用GridSearchCV进行参数调节
knn_cv = GridSearchCV(knn, param_grid, cv=5)
knn_cv.fit(X, y)

# 输出最优参数
print("最优参数：", knn_cv.best_params_)

决策树算法：

from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import GridSearchCV
import pandas as pd
import numpy as np

# 加载数据集
data = pd.read_csv('data.csv')
X = data.drop('label', axis=1)
y = data['label']

# 定义决策树模型
dt = DecisionTreeClassifier()

# 定义参数范围
param_grid = {'max_depth': np.arange(1, 10)}

# 使用GridSearchCV进行参数调节
dt_cv = GridSearchCV(dt, param_grid, cv=5)
dt_cv.fit(X, y)

# 输出最优参数
print("最优参数：", dt_cv.best_params_)

这里我们使用了sklearn库中的GridSearchCV函数，来进行参数调节。该函数会自动进行交叉验证，并返回最优的参数组合。

在这个示例代码中，我们以数据集data.csv为例进行调节，你需要将其替换为你自己的数据集，并根据需要调节参数范围。