K近邻算法模型，如何对鸢尾花数据集进行预测？

我们相信：世界是美好的，你是我也是。 来玩一下解压小游戏吧！

sklearn里面的K近邻算法模型，是如何对鸢尾花数据集进行预测的呢？K近邻算法的全称是"K-Nearest Neighbors"，简称KNN。从代码的角度上来看，套路依然一致，换包引用换模型名称，然后就执行代码就可以了。

苏南大叔的“程序如此灵动”博客，记录苏南大叔的代码编程经验文章。本文测试环境：win10，python@3.11.0，sklearn@1.2.2。本文讲求短平快，直接上干货，并不会对K近邻算法模型的细节进行讲解。

获得鸢尾花训练集

从前面的文章里面，苏南大叔已经对鸢尾花数据集做了无数次各个角度的数据分析。其实主要的目标就是读取csv，拿到目标数据并进行数据集切分。参考文章：

• https://newsn.net/say/sklearn-load_iris.html
• https://newsn.net/say/sklearn-csv.html
• https://newsn.net/say/sklearn-train_test_split.html

拿到鸢尾花数据集的方式很多，本文中加载的是从tensorflow官网下载到本地的iris2.csv鸢尾花数据集。

获取数据集的代码如下：

from sklearn.model_selection import train_test_split
import pandas as pd
column_names = ["萼长", "萼宽", "瓣长", "瓣宽", "种类"]
data = pd.read_csv("iris2.csv", header=0, names=column_names)
X = data.iloc[:, :-1].values
y = data.iloc[:, -1:].values.flatten()
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=8)

这里拿到的X/y数据类型都是ndarray。

K近邻算法模型预测

邻近算法，或者说K最邻近（KNN，K-NearestNeighbor）分类算法是数据挖掘分类技术中最简单的方法之一。所谓K最近邻，就是K个最近的邻居的意思，说的是每个样本都可以用它最接近的K个邻近值来代表。近邻算法就是将数据集合中每一个记录进行分类的方法。

这里采用K-Nearest NeighborsK近邻算法预测模型，做鸢尾花数据集的预测。测试代码如下：

from sklearn.neighbors import KNeighborsClassifier
model = KNeighborsClassifier()
model.fit(X_train, y_train)
predictions = model.predict(X_test)
print(predictions)
print("K近邻算法预测结果:", model.score(X_test, y_test))

输出：

[1 2 2 2 1 1 0 0 1 1 0 2 2 0 0 2 2 2 2 0 0 2 0 1]
K近邻算法: 0.9166666666666666

结束语

机器学习的各种模型非常多，每个模型内部也有很多不同的预测方法。苏南大叔目前致力于最基本的简单介绍了解机器学习的各种算法，所以相关文章写的也不是很详细，见谅。

• https://newsn.net/tag/sklearn/

如果本文对您有帮助，或者节约了您的时间，欢迎打赏瓶饮料，建立下友谊关系。
本博客不欢迎：各种镜像采集行为。请尊重原创文章内容，转载请保留作者链接。