zoukankan      html  css  js  c++  java
  • 数学建模:2.监督学习--分类分析- KNN最邻近分类算法

     1.分类分析

    分类(Classification)指的是从数据中选出已经分好类的训练集,在该训练集上运用数据挖掘分类的技术,建立分类模型,对于没有分类的数据进行分类的分析方法。

    分类问题的应用场景:分类问题是用于将事物打上一个标签,通常结果为离散值。例如判断一副图片上的动物是一只猫还是一只狗,分类通常是建立在回归之上。

    本文主要讲基本的分类方法 ----- KNN最邻近分类算法 

    KNN最邻近分类算法 ,简称KNN,最简单的机器学习算法之一。

      核心逻辑:在距离空间里,如果一个样本的最接近的K个邻居里,绝大多数属于某个类别,则该样本也属于这个类别。

     

    2. KNN最邻近分类的python实现方法

    最邻近分类的python实现方法

    在距离空间里,如果一个样本的最接近的k个邻居里,绝大多数属于某个类别,则该样本也属于这个类别

    电影分类 / 植物分类

      2.1电影分类

    import numpy as np
    import pandas as pd
    import matplotlib.pyplot as plt
    % matplotlib inline
    #  案例一:电影数据分类
    
    from sklearn import neighbors  # 导入KNN分类模块
    import warnings
    warnings.filterwarnings('ignore') 
    # 不发出警告
    
    data = pd.DataFrame({'name':['北京遇上西雅图','喜欢你','疯狂动物城','战狼2','力王','敢死队'],
                      'fight':[3,2,1,101,99,98],
                      'kiss':[104,100,81,10,5,2],
                      'type':['Romance','Romance','Romance','Action','Action','Action']})
    print(data)
    print('-------')
    #  创建数据
    
    plt.scatter(data[data['type'] == 'Romance']['fight'], data[data['type'] == 'Romance']['kiss'], color = 'r',marker = 'o',label = 'Romance')
    plt.scatter(data[data['type'] == 'Action']['fight'],data[data['type'] == 'Action']['kiss'],color = 'g',marker = 'o',label = 'Action')
    plt.grid()
    plt.legend()

     data[data['type'] == 'Romance']['fight'] # 3 2 1
     data[data['type'] == 'Romance']['kiss'] #104 100 81

    knn = neighbors.KNeighborsClassifier()   # 取得knn分类器
    knn.fit(data[['fight','kiss']], data['type'])

    print('预测电影类型为:', knn.predict([18, 90]))
    # 加载数据,构建KNN分类模型
    # 预测未知数据

    plt.scatter(18,90,color = 'r',marker = 'x',label = 'Romance')
    plt.ylabel('kiss')
    plt.xlabel('fight')
    plt.text(18,90,'《你的名字》',color = 'r')
    # 绘制图表

    data2 = pd.DataFrame(np.random.randn(100, 2)*50, columns = ['fight', 'kiss'])
    data2['typetest'] = knn.predict(data2)
    
    plt.scatter(data[data['type'] == 'Romance']['fight'],data[data['type'] == 'Romance']['kiss'],color = 'r',marker = 'o',label = 'Romance')
    plt.scatter(data[data['type'] == 'Action']['fight'],data[data['type'] == 'Action']['kiss'],color = 'g',marker = 'o',label = 'Action')
    plt.grid()
    plt.legend() #做一个可视化
    plt.scatter(data2[data2['typetest'] == 'Romance']['fight'],data2[data2['typetest'] == 'Romance']['kiss'],color = 'r',marker = 'x',label = 'Romance')
    plt.scatter(data2[data2['typetest'] == 'Action']['fight'],data2[data2['typetest'] == 'Action']['kiss'],color = 'g',marker = 'x',label = 'Action')
    # plt.legend()
    plt.ylabel('kiss')
    plt.xlabel('fight')
    # 绘制图表
    data2.head()

      2.2植物分类 

    # 案例二:植物分类
    
    from sklearn import datasets
    iris = datasets.load_iris()
    print(iris.keys())
    print('数据长度为:%i条' % len(iris['data']))
    # 导入数据
    
    print(iris.feature_names)
    print(iris.target_names)
    #print(iris.target)
    print(iris.data[:5])
    # 150个实例数据
    # feature_names - 特征分类:萼片长度,萼片宽度,花瓣长度,花瓣宽度  → sepal length, sepal width, petal length, petal width
    # 目标类别:Iris setosa, Iris versicolor, Iris virginica. 
    data = pd.DataFrame(iris.data, columns = iris.feature_names)
    data['target'] = iris.target
    iris.target
    data.head()

    knn = neighbors.KNeighborsClassifier()
    knn.fit(iris.data, iris.target) #构建一个分类模型
    
    prt_data = knn.predict([0.2, 0.1, 0.3, 0.4]) #array([0]) 
    prt_data
    ty = pd.DataFrame({'target':[0, 1, 2], 
                      'target_names':iris.target_names})
    
    
    iris.target
    
    df = pd.merge(data, ty, on = 'target')
    
    df.head()

    knn = neighbors.KNeighborsClassifier()
    # knn.fit(iris.data, iris.target) #构建一个分类模型
    knn.fit(iris.data, df['target_names']) #监督学习一定要有它的特征量和目标值
    prt_data = knn.predict([0.2, 0.1, 0.3, 0.4]) #做预测
    prt_data

  • 相关阅读:
    “终身幼儿园”:学习是一个创造的过程
    我对ERP实质的理解(陈启申)
    Java学习记录1java并发编程之synchronized初学
    谈谈你对Spring的理解
    java中的==与equals的区别
    Windows下编译安装perl Module
    win系统用virtualBox安装Ubuntu虚拟机,如何共享数据
    Windows下emacsw3m设置代理
    自我介绍
    document 对象
  • 原文地址:https://www.cnblogs.com/shengyang17/p/9655737.html
Copyright © 2011-2022 走看看