目录
一、基础理论
1、估计器?
1、生成模型
?estimator.fit(train_data, train_target)
2、 模型评估
方法一：直接比对真实值和预测值
test_target = estimator.predict(train_test)
test_target == test_predict方法二：计算准确率
accuracy = estimator.score(train_test, target_test)
?
2、KNN基础
核心思想：根据邻居推断类别。取k个邻居，哪个类别更多，则归为哪个。
?定义：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。
k值取得过小：容易受到异常点的影响。
k值取得过大：容易受到样本不均衡的影响。
计算距离：欧氏距离、曼哈顿距离、明可夫斯基距离
欧氏距离
曼哈顿距离：绝对值距离
3、API
sklearn.neighbors.KNeighborsClassifier
二、过程
1、获取数据
# 1、获取数据
iris = load_iris()2、划分数据集
对特征值和目标值进行划分，得到：
特征训练集、特征测试集、目标训练集、目标测试集。
# 2、划分数据集
train_data, test_data, train_target, test_target = train_test_split(iris.data, iris.target)
# 特征集训练值 特征集测试值 目标集训练值 目标值测试值3、特征工程（标准化）
对特征集（特征训练集和特征测试集）进行标准化。
# 3、特征工程（标准化）
transfer = StandardScaler()
train_data = transfer.fit_transform(train_data)
test_data = transfer.transform(test_data)
# 注：不进行fit处理：测试集要用训练集的特征值和标准差（否则测试集就是在自己对自己进行测试，没有意义）
# 注：target是目标值，不能进行标准化（所以train_target和test_target不进行标准化）4、KNN算法预估器
4-1、得到预估器
这里设置邻居（k值）为3 ，也就是从最近的3个元素中做评估。
# 4-1、得到预估器
estimator = KNeighborsClassifier(n_neighbors = 3) #n_neighbors：k（邻居为3）4-2、训练（用设置好的预估器对训练值进行训练）
# 4-2、训练
estimator.fit(train_data, train_target)5、模型评估
5-1、得到预估器的预测结果?
# 5-1、得到预测结果
predict = estimator.predict(test_data)
print(predict)
5-2、对比预测值和测量目标值
# 5-2、比对预测值和测量目标值
print("直接比对预测值和测量目标值：\n", predict==test_target)
5-3、得到准确率（对比特征集和目标集测试值）
# 5-3、得到准确率（对比特征集和目标集测试值）
score = estimator.score(test_data, test_target)
print("准确率：\n", score)
代码
# KNN算法（K-近邻算法）
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
# KNN算法
def KNN():
# 1、获取数据
iris = load_iris()
# 2、划分数据集
train_data, test_data, train_target, test_target = train_test_split(iris.data, iris.target)
# 特征集训练值 特征集测试值 目标集训练值 目标值测试值
# 3、特征工程（标准化）
transfer = StandardScaler()
train_data = transfer.fit_transform(train_data)
test_data = transfer.transform(test_data)
# 注：不进行fit处理：测试集要用训练集的特征值和标准差（否则测试集就是在自己对自己进行测试，没有意义）
# 注：target是目标值，不能进行标准化（所以train_target和test_target不进行标准化）
# 4、KNN算法预估器
# 4-1、得到预估器
estimator = KNeighborsClassifier(n_neighbors = 3) #n_neighbors：k（邻居为3）
# 4-2、训练（用预估器对训练值进行训练）
estimator.fit(train_data, train_target)
# 5、模型评估
# 5-1、得到预测结果
predict = estimator.predict(test_data)
print(predict)
# 5-2、比对预测值和测量目标值
print("直接比对预测值和测量目标值：\n", predict==test_target)
# 5-3、得到准确率（对比特征集和目标集测试值）
score = estimator.score(test_data, test_target)
print("准确率：\n", score)
if __name__ == '__main__':
KNN() #KNN算法缺点：K值的确定。