逻辑回归K近邻算法案例实战
时间: 2023-06-24 14:03:25 浏览: 58
好的,下面我来给你提供一个逻辑回归和K近邻算法的案例实战。
首先,我们需要一个数据集。这里我选取了一个著名的鸢尾花数据集,可以通过sklearn库进行导入。
```python
from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data
y = iris.target
```
接下来,我们需要将数据集划分为训练集和测试集,并进行标准化处理。
```python
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)
sc = StandardScaler()
sc.fit(X_train)
X_train_std = sc.transform(X_train)
X_test_std = sc.transform(X_test)
```
然后,我们可以使用逻辑回归模型进行分类,并对模型进行评估。
```python
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
lr = LogisticRegression(random_state=0)
lr.fit(X_train_std, y_train)
y_pred_lr = lr.predict(X_test_std)
print('Accuracy: %.2f' % accuracy_score(y_test, y_pred_lr))
```
接下来,我们使用K近邻算法进行分类,并对模型进行评估。
```python
from sklearn.neighbors import KNeighborsClassifier
knn = KNeighborsClassifier(n_neighbors=5)
knn.fit(X_train_std, y_train)
y_pred_knn = knn.predict(X_test_std)
print('Accuracy: %.2f' % accuracy_score(y_test, y_pred_knn))
```
以上就是逻辑回归和K近邻算法的简单案例实战。通过比较两种算法的分类准确率,可以对它们的性能进行比较和评估。