機器學習之KNN的總結

本片文章主要寫了針對一個csv資料，目標是對其資料進行分類，怎樣用knn實現
在此問題中將該問題分為三個步驟：

1. 資料處理：對csv資料進行處理做出適合knn的資料集，包括劃分測試集及訓練集
2. 資料擬合：對資料集資料進行擬合
3. 資料預測及評價指標：對所訓練得到的結果進行預測以及評價

• 資料處理

• 本例項中的資料集如下圖所示：
  
  第一列為資料集的標籤，第一行為資料集的title，首先要做的處理是將資料集的資料以及標籤提取出來。即特徵與標籤類別

   # -*- coding: utf-8 -*-
   """
   Created on Tue Nov 27 17:47:44 2018
   
   @author: Administrator
   """
   
   import csv
   
   
   from sklearn import neighbors
   
   knn = neighbors.KNeighborsClassifier()#(n_neighbors=10)
   from numpy import genfromtxt
   a = open('list.csv', 'r+')
   reader = csv.reader(a)#按行讀取內容
   headers = next(reader)#打印出為title那行
   print(headers)
   
  

該title第一列為數字序列，後七列為特徵名稱，其次是提取標籤以及資料

    dataPath = r"list.csv"
    featureList = genfromtxt(dataPath, skip_header=1,delimiter=',',usecols=(1,2,3,4,5,6,7))
    #轉化為txt，[genfromtxt用法](https://blog.csdn.net/weixin_40123108/article/details/84531460)得到後7列資料
    labelList = genfromtxt(dataPath, skip_header=1,delimiter=',',usecols=(0))#得到標籤
    
    x= featureList[:]
    print(len(x))
    #print (x)
    #print ("labelList")
    y = labelList[:]
    #print (y)
 

劃分資料集及訓練集

    from sklearn.model_selection import train_test_split#分割資料集
    X_train, X_test, y_train, y_test = train_test_split(
        x, y, test_size=0.25)

    print(X_train.shape)
    print(X_test.shape)

**

• 資料擬合

**
knn = neighbors.KNeighborsClassifier()#(n_neighbors=10)knn引數用法

**

• 資料預測及評價指標

**

    y_predict = knn.predict(X_test) 
     #呼叫該物件的測試方法，主要接收一個引數：測試資料集
    probility=knn.predict_proba(X_test)  
     #計算各測試樣本基於概率的預測

    score=knn.score(X_test,y_test,sample_weight=None)
    #呼叫該物件的打分方法，計算出準確率
    
    print('y_predict = ')  
    print(y_predict)  
    #輸出測試的結果
    
    print('y_test = ')
    print(y_test)    
    #輸出原始測試資料集的正確標籤，以方便對比
    print ('Accuracy:',score ) 
    #輸出準確率計算結果
    print ('probility:',probility)