当前位置：文档之家 › iris数据集的贝叶斯分类

iris数据集的贝叶斯分类

  • 格式：doc
  • 大小：154.50 KB
  • 文档页数：9

IRIS 数据集的Bayes 分类实验一、 实验原理1) 概述模式识别中的分类问题是根据对象特征的观察值将对象分到某个类别中去。

统计决策理论是处理模式分类问题的基本理论之一，它对模式分析和分类器的设计有着实际的指导意义。

贝叶斯（Bayes ）决策理论方法是统计模式识别的一个基本方法，用这个方法进行分类时需要具备以下条件：➢ 各类别总体的分布情况是已知的。

➢ 要决策分类的类别数是一定的。

其基本思想是：以Bayes 公式为基础，利用测量到的对象特征配合必要的先验信息，求出各种可能决策情况（分类情况）的后验概率，选取后验概率最大的,或者决策风险最小的决策方式(分类方式)作为决策（分类）的结果。

也就是说选取最有可能使得对象具有现在所测得特性的那种假设，作为判别的结果。

常用的Bayes 判别决策准则有最大后验概率准则（MAP ），极大似然比准则（ML ），最小风险Bayes 准则，Neyman-Pearson 准则（N-P ）等。

2) 分类器的设计对于一个一般的c 类分类问题，其分类空间：{}c w w w ,,,21 =Ω表特性的向量为： ()T d x x x x ,,,21 =其判别函数有以下几种等价形式： a) ()()i j i w w i j c j w w x w P x w P ∈→≠=∈→>，且，,,2,11 ， b) ()()()()i j j i w w i j c j w P w x p w P w x p ∈→≠=>，且，,,2,1i c) ()()()()()i i j j i w w i j c j w P w P w x p w x p x l ∈→≠=>=，且，,,2,1 d) ()()()()i j j i i w w i j c j w P w x np w P w x p ∈→≠=+>+，且，,,2,1ln ln ln3) IRIS 数据分类实验的设计➢ IRIS 数据集：一共具有三组数据，每一组都是一个单独的类别，每组有50个数据，每个数据都是一个四维向量。

其分类空间为：{}321,,w w w =Ω表特性的向量为：()T x x x x x 4321,,,= ➢ 实验目的：利用Bayes 判别准则对三组数据进行分类，希望能够尽量准确的判断出从IRIS 数据集中选取的样本所属的类别。

➢ 实验设计思路：将每个数据看作是一个具有4维特征的观察样本()150,3,2,1,,,,4321 ==i x x x x x T i i i i i 假设每类数据的每维都的分别服从正态分布即().3,2,1.4,3,2,1,2exp 21)(22==⎪⎭⎪⎬⎫⎪⎩⎪⎨⎧--=p j x x f wp j wp j wpj wpj 其中，σμσπ 并且两两独立。

由数理统计理论可知，样本均值和修正方差分别为μ和2σ的无偏估计量，故可近似为求得μ和2σ为：.3,2,1.4,3,2,1,===p j X wp j wp j μ ()∑===--=n i wp j wp ij wp j p j X X n 122.3,2,1.4,3,2,1,11σ 贝叶斯决策规则选取： ()()()()()w w i j j w P w P w x p w x p x l i j j i ∈→≠=>=，且，3,2,1由于不同维度数据两两独立，故其中： ()()()()()()()()()i j i j x x w x f w x f w x f w x f w x p w x p x l q wp q wj j wp q wp q wi i wp q q j q q i q q j i j i ≠=⎪⎭⎪⎬⎫⎪⎩⎪⎨⎧--⎪⎭⎪⎬⎫⎪⎩⎪⎨⎧--====∏∏==，3,2,1,2exp 12exp 141222241σμσσμσ 另让门限值: ()()i j i j w P w P i j ≠==，3,2,1,N N i j其中：N和i N为所选待分类样本j类数据和i类的个数，j属于先验知识。

比较()x l与门限值的大小判断样本所属类别最后计算分类的正确率➢二、实验过程1)求取每类数据的每个分量的均值和修正方差数代码如下：sum=zeros(3,4);sd=zeros(3,4);for j=1:1:4for i=1:1:50$$ for i=1:1:20 $$sum(1,j)=sum(1,j)+sample1(i,j);sum(2,j)=sum(2,j)+sample2(i,j);sum(3,j)=sum(3,j)+sample3(i,j);endendsum=sum/50;$$sum=sum/20;$$for j=1:1:4for i=1:1:50sd(1,j)=sd(1,j)+(sample1(i,j)-sum(1,j))^2;sd(2,j)=sd(2,j)+(sample2(i,j)-sum(2,j))^2;sd(3,j)=sd(3,j)+(sample3(i,j)-sum(3,j))^2;endendsd=sd/49;$$ sd=sd/19; $$其中每类数据都有4组均值和修正方差，3类数据总共12组，分别存放在sum 和sd这两个3×4的矩阵中。

2)用一个函数来实现分类器的功能,代码如下function [clfresult,accuracyrate] =bayesclassifier(samples,dimen,sum,sd,mode1,mode2)clfresult=zeros(dimen,2);if ((mode1(1,1)~=0)&&(mode1(1,2)~=0)&&(mode1(1,3)==0))compare=[1,2];endif ((mode1(1,1)~=0)&&(mode1(1,2)==0)&&(mode1(1,3)~=0))compare=[1,3];endif ((mode1(1,1)==0)&&(mode1(1,2)~=0)&&(mode1(1,3)~=0))compare=[2,3];endcompare1=compare(1,1);compare2=compare(1,2);class=zeros(1,3);la=zeros(1,4);lb=zeros(1,4);for i=1:1:dimenif samples(i,5)==1class(1,1)=class(1,1)+1;endif samples(i,5)==2class(1,2)=class(1,2)+1;endif samples(i,5)==3class(1,3)=class(1,3)+1;endendn=class(1,compare2)/class(1,compare1)for i=1:1:dimenla(1,1)=1/sqrt(sd(compare1,1))*exp(-(samples(i,1)-sum(compare1 ,1))^2/(2*sd(compare1,1)));la(1,2)=1/sqrt(sd(compare1,2))*exp(-(samples(i,2)-sum(compare1 ,2))^2/(2*sd(compare1,2)));la(1,3)=1/sqrt(sd(compare1,3))*exp(-(samples(i,3)-sum(compare1 ,3))^2/(2*sd(compare1,3)));la(1,4)=1/sqrt(sd(compare1,4))*exp(-(samples(i,4)-sum(compare1 ,4))^2/(2*sd(compare1,4)));lb(1,1)=1/sqrt(sd(compare2,1))*exp(-(samples(i,1)-sum(compare2 ,1))^2/(2*sd(compare2,1)));lb(1,2)=1/sqrt(sd(compare2,2))*exp(-(samples(i,2)-sum(compare2 ,2))^2/(2*sd(compare2,2)));lb(1,3)=1/sqrt(sd(compare2,3))*exp(-(samples(i,3)-sum(compare2 ,3))^2/(2*sd(compare2,3)));lb(1,4)=1/sqrt(sd(compare2,4))*exp(-(samples(i,4)-sum(compare2 ,4))^2/(2*sd(compare2,4)));for j=1:1:4if(mode2(1,j)==0)la(1,j)=1;lb(1,j)=1;endendlx=la(1,1)*la(1,2)*la(1,3)*la(1,4)/(lb(1,1)*lb(1,2)*lb(1,3)*lb (1,4))clfresult(i,1)=i;if lx>=nclfresult(i,2)=compare1;elseclfresult(i,2)=compare2;endendaccuracyrate=0;for i=1:1:dimenif clfresult(i,2)~=samples(i,5)accuracyrate=accuracyrate+1;endendaccuracyrate=accuracyrate/dimen;end该函数有共有两个输出量，六个输入参数。

其中各个参数的规定如下:Samples：一个Dimen×5的矩阵，Dimen是选取样本的数量，矩阵前4列存放样本的4维数据，最后一列存放相应行样本真实的类别数（1，2，3）。

Dimen:选取样本的数量。

Sum:数据集的均值参数阵。

Sd ：数据集的修正方差参数阵。

Mode1:模式选择参数1，它是一个3维的行向量：()321,,1m od ααα=e其中3,2,1,=i i α分别对应数据集的三个类别，当3,2,1,=i i α 不为零时，就在决策域中添加第i 类。

总共有三种模式：()0,1,11m od =e 在第一类和第二类中进行判别()1,0,11m od =e 在第一类和第三类中进行判别()1,1,01m od =e 在第二类和第二类中进行判别Mode2:模式选择参数2，它是一个4维德行向量：()4321,,,2m od ββββ=e其中4,3,2,1,=i i β分别对应数据集的4个维度分量，当3,2,1,=i i α 不为零时，第i 个维度的分量就作为判别分类的依据进行考虑，3,2,1,=i i α为零时，则第i 个维度的分量忽略。

合集下载

朴素贝叶斯分类数据集

朴素贝叶斯分类数据集

朴素贝叶斯分类数据集
朴素贝叶斯分类是一种基于贝叶斯定理的简单概率分类器。

它假设特征之间是相互独立的（即朴素）。

以下是一个使用朴素贝叶斯分类器的数据集示例：
数据集名称：Iris 数据集
数据集来源：Iris 数据集是一个常用的机器学习数据集，包含了150 个样本，每个样本有4 个特征（花萼长度、花萼宽度、花瓣长度、花瓣宽度）和3 个类别标签（山鸢尾、杂种鸢尾和维吉尼亚鸢尾）。

数据集格式：通常以CSV 格式存储，第一列是标签，后面几列是特征。

数据集示例：
```
标签,花萼长度,花萼宽度,花瓣长度,花瓣宽度
山鸢尾,5.1,3.5,1.4,0.2
杂种鸢尾,4.9,3.0,1.7,0.2
维吉尼亚鸢尾,5.6,3.9,5.1,1.8
...
```
这个数据集可以用Python 的Scikit-learn 库来加载和使用，其中包含了高斯朴素贝叶斯分类器、多项式朴素贝叶斯分类器和伯努利朴素贝叶斯分类器等不同的分类器模型。

例如，使用高斯朴素贝叶斯分类器进行分类的代码示例如下：
```python
from sklearn.datasets import load_iris
from sklearn.naive_bayes import GaussianNB
# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target
# 创建高斯朴素贝叶斯分类器对象gnb = GaussianNB()
# 使用训练数据训练分类器gnb.fit(X, y)
# 对测试数据进行预测
y_pred = gnb.predict(X)
```。

机器学习：贝叶斯分类器（二）——高斯朴素贝叶斯分类器代码实现

机器学习：贝叶斯分类器（二）——高斯朴素贝叶斯分类器代码实现

机器学习：贝叶斯分类器（⼆）——⾼斯朴素贝叶斯分类器代码实现⼀⾼斯朴素贝叶斯分类器代码实现⽹上搜索不调⽤sklearn实现的朴素贝叶斯分类器基本很少，即使有也是结合⽂本分类的多项式或伯努利类型，因此⾃⼰写了⼀遍能直接封装的⾼斯类型NB分类器，当然与真正的源码相⽐少了很多属性和⽅法，有兴趣的可以⾃⼰添加。

代码如下（有详细注释）：class NaiveBayes():'''⾼斯朴素贝叶斯分类器'''def __init__(self):self._X_train = Noneself._y_train = Noneself._classes = Noneself._priorlist = Noneself._meanmat = Noneself._varmat = Nonedef fit(self, X_train, y_train):self._X_train = X_trainself._y_train = y_trainself._classes = np.unique(self._y_train) # 得到各个类别priorlist = []meanmat0 = np.array([[0, 0, 0, 0]])varmat0 = np.array([[0, 0, 0, 0]])for i, c in enumerate(self._classes):# 计算每个种类的平均值，⽅差，先验概率X_Index_c = self._X_train[np.where(self._y_train == c)] # 属于某个类别的样本组成的“矩阵”priorlist.append(X_Index_c.shape[0] / self._X_train.shape[0]) # 计算类别的先验概率X_index_c_mean = np.mean(X_Index_c, axis=0, keepdims=True) # 计算该类别下每个特征的均值，结果保持⼆维状态[[3 4 6 2 1]]X_index_c_var = np.var(X_Index_c, axis=0, keepdims=True) # ⽅差meanmat0 = np.append(meanmat0, X_index_c_mean, axis=0) # 各个类别下的特征均值矩阵罗成新的矩阵，每⾏代表⼀个类别。

监督分类 实验报告.

监督分类 实验报告.

监督分类实验报告.本次实验我们研究的是监督分类算法。

监督分类是一种基于训练数据集的分类方法，即通过给定的训练数据集学习构建分类器，再将分类器应用于测试数据集，从而实现对新数据进行分类的过程。

监督分类算法具有广泛的应用，如文本分类、图像分类等领域。

本实验中我们选取了两种常用的分类算法：决策树和朴素贝叶斯分类器。

决策树是一种树状结构，其中每个节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点表示一个类别。

朴素贝叶斯分类器是一种基于概率论的分类器，利用贝叶斯定理来预测给定数据的分类。

我们选取了一个公开数据集Iris（鸢尾花数据集），该数据集包含150个样本，其中每个样本中包含4个特征属性，分别是花萼长度、花萼宽度、花瓣长度、花瓣宽度，以及一个类别属性，分别是setosa、versicolor、virginica三种鸢尾花的类别。

我们选取其中120个样本作为训练数据集，30个样本作为测试数据集。

我们首先使用Python实现了决策树算法和朴素贝叶斯分类器算法。

在训练阶段，我们将训练数据集作为输入，根据算法学习生成决策树或对应的概率模型；在测试阶段，我们将测试数据集的每个样本输入到决策树或概率模型中进行分类，最终统计分类准确率。

在实验中，我们使用了sklearn工具包中的DecisionTreeClassifier和GaussianNB 实现决策树和朴素贝叶斯分类器算法。

我们将数据集中的数据进行了随机划分，80%作为训练集，20%作为测试集，将参数max_depth设置为4。

结果显示，朴素贝叶斯分类器分类准确率达到97.78%，决策树分类准确率达到93.33%。

其具体结果如下表所示：|算法 |分类准确率||--------------|--------||朴素贝叶斯分类器| 97.78% ||决策树 | 93.33% |从结果可以看出，朴素贝叶斯分类器的分类准确率较高，达到了97.78%，而决策树的分类准确率稍低，只有93.33%。

iris数据集

iris数据集

iris数据集---恢复内容开始---IRIS分类问题分类：根据数据集⽬标的特征和属性，划分为已有的类别中常⽤的分类算法：K紧邻（KNN),逻辑回归，决策树，朴素贝叶斯#iris数据加载from sklearn import datasetsiris=datasets.load_iris()#展⽰iris数据print(iris.data)[[5.1 3.5 1.4 0.2][4.9 3. 1.4 0.2][4.7 3.2 1.3 0.2][4.6 3.1 1.5 0.2][5. 3.6 1.4 0.2][5.4 3.9 1.7 0.4][4.6 3.4 1.4 0.3][5. 3.4 1.5 0.2][4.4 2.9 1.4 0.2][4.9 3.1 1.5 0.1][5.4 3.7 1.5 0.2][4.8 3.4 1.6 0.2][4.8 3. 1.4 0.1][4.3 3. 1.1 0.1][5.8 4. 1.2 0.2][5.7 4.4 1.5 0.4][5.4 3.9 1.3 0.4][5.1 3.5 1.4 0.3][5.7 3.8 1.7 0.3][5.1 3.8 1.5 0.3][5.4 3.4 1.7 0.2][5.1 3.7 1.5 0.4][4.6 3.6 1. 0.2][5.1 3.3 1.7 0.5][4.8 3.4 1.9 0.2][5. 3. 1.6 0.2][5. 3.4 1.6 0.4][5.2 3.5 1.5 0.2][5.2 3.4 1.4 0.2][4.7 3.2 1.6 0.2][4.8 3.1 1.6 0.2][5.4 3.4 1.5 0.4][5.2 4.1 1.5 0.1][5.5 4.2 1.4 0.2][4.9 3.1 1.5 0.2][5. 3.2 1.2 0.2][5.5 3.5 1.3 0.2][4.9 3.6 1.4 0.1][4.4 3. 1.3 0.2][5.1 3.4 1.5 0.2][5. 3.5 1.3 0.3][4.5 2.3 1.3 0.3][4.4 3.2 1.3 0.2][5. 3.5 1.6 0.6][5.1 3.8 1.9 0.4][4.8 3. 1.4 0.3][5.1 3.8 1.6 0.2][4.6 3.2 1.4 0.2][5.3 3.7 1.5 0.2][5. 3.3 1.4 0.2][7. 3.2 4.7 1.4][6.4 3.2 4.5 1.5][6.9 3.1 4.9 1.5][5.5 2.3 4. 1.3][6.5 2.8 4.6 1.5][5.7 2.8 4.5 1.3][6.3 3.3 4.7 1.6][4.9 2.4 3.3 1. ][6.6 2.9 4.6 1.3][5.2 2.7 3.9 1.4][5. 2. 3.5 1. ][5.6 3. 4.5 1.5][5.8 2.7 4.1 1. ][6.2 2.2 4.5 1.5] [5.6 2.5 3.9 1.1][5.9 3.2 4.8 1.8][6.1 2.8 4. 1.3] [6.3 2.5 4.9 1.5] [6.1 2.8 4.7 1.2] [6.4 2.9 4.3 1.3] [6.6 3. 4.4 1.4] [6.8 2.8 4.8 1.4] [6.7 3. 5. 1.7] [6. 2.9 4.5 1.5] [5.7 2.6 3.5 1. ] [5.5 2.4 3.8 1.1] [5.5 2.4 3.7 1. ][5.8 2.7 3.9 1.2][6. 2.7 5.1 1.6][5.4 3. 4.5 1.5][6. 3.4 4.5 1.6] [6.7 3.1 4.7 1.5] [6.3 2.3 4.4 1.3] [5.6 3. 4.1 1.3] [5.5 2.5 4. 1.3][5.5 2.6 4.4 1.2][6.1 3. 4.6 1.4] [5.8 2.6 4. 1.2] [5. 2.3 3.3 1. ] [5.6 2.7 4.2 1.3] [5.7 3. 4.2 1.2][5.7 2.9 4.2 1.3][6.2 2.9 4.3 1.3] [5.1 2.5 3. 1.1][5.7 2.8 4.1 1.3][6.3 3.3 6. 2.5] [5.8 2.7 5.1 1.9] [7.1 3. 5.9 2.1] [6.3 2.9 5.6 1.8][6.5 3. 5.8 2.2][7.6 3. 6.6 2.1] [4.9 2.5 4.5 1.7] [7.3 2.9 6.3 1.8][6.7 2.5 5.8 1.8][7.2 3.6 6.1 2.5] [6.5 3.2 5.1 2. ] [6.4 2.7 5.3 1.9] [6.8 3. 5.5 2.1] [5.7 2.5 5. 2. ][5.8 2.8 5.1 2.4][6.4 3.2 5.3 2.3][6.5 3. 5.5 1.8][7.7 3.8 6.7 2.2] [7.7 2.6 6.9 2.3] [6. 2.2 5. 1.5] [6.9 3.2 5.7 2.3] [5.6 2.8 4.9 2. ] [7.7 2.8 6.7 2. ] [6.3 2.7 4.9 1.8][6.7 3.3 5.7 2.1][7.2 3.2 6. 1.8] [6.2 2.8 4.8 1.8] [6.1 3. 4.9 1.8][6.4 2.8 5.6 2.1][7.2 3. 5.8 1.6] [7.4 2.8 6.1 1.9] [7.9 3.8 6.4 2. ] [6.4 2.8 5.6 2.2] [6.3 2.8 5.1 1.5][6.1 2.6 5.6 1.4][7.7 3. 6.1 2.3] [6.3 3.4 5.6 2.4] [6.4 3.1 5.5 1.8] [6. 3. 4.8 1.8] [6.9 3.1 5.4 2.1] [6.7 3.1 5.6 2.4] [6.9 3.1 5.1 2.3][5.8 2.7 5.1 1.9][6.8 3.2 5.9 2.3] [6.7 3.3 5.7 2.5]In [3]:#打印出属性名称print(iris.feature_names)['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)'] In [4]:#打印输出的结果print(iris.target)[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 11 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 12 2 2 2 2 2 2 2 2 2 22 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 22 2]In [5]:#结果的含义print(iris.target_names)['setosa' 'versicolor' 'virginica']In [6]:#确认数据类型print(type(iris.data))<class 'numpy.ndarray'>In [7]:print(type(iris.target))<class 'numpy.ndarray'>In [8]:#确认输⼊的数据维度，⾏列print(iris.data.shape)(150, 4)In [9]:#确认输出数据的维度，只有1列print(iris.target.shape)(150,)In [10]:#x输⼊数据赋值，y输出数据赋值x=iris.datay=iris.targetIn [11]:#确认xprint(x)[[5.1 3.5 1.4 0.2][4.9 3. 1.4 0.2][5.4 3.7 1.5 0.2] [4.8 3.4 1.6 0.2] [4.8 3. 1.4 0.1][4.3 3. 1.1 0.1][5.8 4. 1.2 0.2] [5.7 4.4 1.5 0.4] [5.4 3.9 1.3 0.4] [5.1 3.5 1.4 0.3] [5.7 3.8 1.7 0.3] [5.1 3.8 1.5 0.3] [5.4 3.4 1.7 0.2] [5.1 3.7 1.5 0.4][4.6 3.6 1. 0.2][5.1 3.3 1.7 0.5][4.8 3.4 1.9 0.2][5. 3. 1.6 0.2] [5. 3.4 1.6 0.4] [5.2 3.5 1.5 0.2] [5.2 3.4 1.4 0.2] [4.7 3.2 1.6 0.2][4.8 3.1 1.6 0.2][5.4 3.4 1.5 0.4] [5.2 4.1 1.5 0.1] [5.5 4.2 1.4 0.2][4.9 3.1 1.5 0.2][5. 3.2 1.2 0.2] [5.5 3.5 1.3 0.2] [4.9 3.6 1.4 0.1][4.4 3. 1.3 0.2][5.1 3.4 1.5 0.2] [5. 3.5 1.3 0.3] [4.5 2.3 1.3 0.3][4.4 3.2 1.3 0.2][5. 3.5 1.6 0.6] [5.1 3.8 1.9 0.4][4.8 3. 1.4 0.3][5.1 3.8 1.6 0.2][4.6 3.2 1.4 0.2][5.3 3.7 1.5 0.2] [5. 3.3 1.4 0.2] [7. 3.2 4.7 1.4] [6.4 3.2 4.5 1.5] [6.9 3.1 4.9 1.5][5.5 2.3 4. 1.3][6.5 2.8 4.6 1.5][5.7 2.8 4.5 1.3][6.3 3.3 4.7 1.6] [4.9 2.4 3.3 1. ] [6.6 2.9 4.6 1.3] [5.2 2.7 3.9 1.4] [5. 2. 3.5 1. ][5.9 3. 4.2 1.5][6. 2.2 4. 1. ] [6.1 2.9 4.7 1.4][5.6 2.9 3.6 1.3][6.7 3.1 4.4 1.4] [5.6 3. 4.5 1.5][5.8 2.7 4.1 1. ][6.2 2.2 4.5 1.5] [5.6 2.5 3.9 1.1][5.9 3.2 4.8 1.8][6.1 2.8 4. 1.3] [6.3 2.5 4.9 1.5] [6.1 2.8 4.7 1.2] [6.4 2.9 4.3 1.3] [6.6 3. 4.4 1.4] [6.8 2.8 4.8 1.4] [6.7 3. 5. 1.7] [6. 2.9 4.5 1.5] [5.7 2.6 3.5 1. ] [5.5 2.4 3.8 1.1] [5.5 2.4 3.7 1. ][5.8 2.7 3.9 1.2][6. 2.7 5.1 1.6][5.4 3. 4.5 1.5][6. 3.4 4.5 1.6][5.6 2.7 4.2 1.3][5.7 3. 4.2 1.2][5.7 2.9 4.2 1.3][6.2 2.9 4.3 1.3][5.1 2.5 3. 1.1][5.7 2.8 4.1 1.3][6.3 3.3 6. 2.5][5.8 2.7 5.1 1.9][7.1 3. 5.9 2.1][6.3 2.9 5.6 1.8][6.5 3. 5.8 2.2][7.6 3. 6.6 2.1][4.9 2.5 4.5 1.7][7.3 2.9 6.3 1.8][6.7 2.5 5.8 1.8][7.2 3.6 6.1 2.5][6.5 3.2 5.1 2. ][6.4 2.7 5.3 1.9][6.8 3. 5.5 2.1][5.7 2.5 5. 2. ][5.8 2.8 5.1 2.4][6.4 3.2 5.3 2.3][6.5 3. 5.5 1.8][7.7 3.8 6.7 2.2][7.7 2.6 6.9 2.3][6. 2.2 5. 1.5][6.9 3.2 5.7 2.3][5.6 2.8 4.9 2. ][7.7 2.8 6.7 2. ][6.3 2.7 4.9 1.8][6.7 3.3 5.7 2.1][7.2 3.2 6. 1.8][6.2 2.8 4.8 1.8][6.1 3. 4.9 1.8][6.4 2.8 5.6 2.1][7.2 3. 5.8 1.6][7.4 2.8 6.1 1.9][7.9 3.8 6.4 2. ][6.4 2.8 5.6 2.2][6.3 2.8 5.1 1.5][6.1 2.6 5.6 1.4][7.7 3. 6.1 2.3][6.3 3.4 5.6 2.4][6.4 3.1 5.5 1.8][6. 3. 4.8 1.8][6.9 3.1 5.4 2.1][6.7 3.1 5.6 2.4][6.9 3.1 5.1 2.3][5.8 2.7 5.1 1.9][6.8 3.2 5.9 2.3][6.7 3.3 5.7 2.5][6.7 3. 5.2 2.3][6.3 2.5 5. 1.9][6.5 3. 5.2 2. ][6.2 3.4 5.4 2.3][5.9 3. 5.1 1.8]]In [12]:#确认yprint(y)[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 11 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 12 2 2 2 2 2 2 2 2 2 2#使⽤scikit-learn建模四步骤#1,模型调⽤from sklearn.neighbors import KNeighborsClassifierIn [14]:#2,创建实例knn=KNeighborsClassifier(n_neighbors=1)In [15]:print(knn)KNeighborsClassifier(algorithm='auto', leaf_size=30, metric='minkowski', metric_params=None, n_jobs=None, n_neighbors=1, p=2, weights='uniform')In [16]:#3,模型训练knn.fit(x,y)Out[16]:KNeighborsClassifier(algorithm='auto', leaf_size=30, metric='minkowski', metric_params=None, n_jobs=None, n_neighbors=1, p=2, weights='uniform')In [18]:#4,模型对⼀个样本的预测knn.predict([[1,2,3,4]])In [19]:#模型对多个样本的预测x_test=[[1,2,3,4],[2,4,1,2]]knn.predict(x_test)Out[19]:array([2, 0])In [20]:#设定⼀个新的k值进⾏KNN建模knn_5=KNeighborsClassifier(n_neighbors=5)knn_5.fit(x,y)knn.predict(x_test)Out[20]:array([2, 0])In [21]:#确认模型结构print(knn_5)KNeighborsClassifier(algorithm='auto', leaf_size=30, metric='minkowski', metric_params=None, n_jobs=None, n_neighbors=5, p=2, weights='uniform')In [ ]:---恢复内容结束---。