K近鄰演算法進行迴歸預測一般步驟

1 資料的匯入與預處理

2 資料的標準化與歸一化

3 生成訓練集和測試集

4 利用訓練集進行訓練，匯入測試集得出預測值

5 真實值與與測試值進行比較評價

import csv
import numpy as np
import pandas as pd
from sklearn.preprocessing import StandardScaler

#資料匯入與預處理
food_info = pd.read_csv("food_info.csv")
food0_info = food_info.dropna()
food1_info = food0_info.drop(["NDB_No","Shrt_Desc"],axis = 1)

#資料標準化或者歸一化
colunm = food1_info.columns
food1_info[column] = StandardScaler().fit_transform(food1_info[column])
food1_info.head()

#訓練集與測試集
norm_train_df = food1_info.copy().iloc[:2573]
norm_text_df = food1_info.copy().iloc[2573:]

# 匯入K近鄰演算法的迴歸類
from sklearn.neighbors import KNeighborsRegressor
columns = column[1:]
#例項化
knn = KNeighborsRegressor()
#匯入測試集的標籤值與屬性值，knn.fit(norm_train_df[columns],norm_train_df["Water_(g)"])
#測試集與訓練集進行比較（測試集中每一條資料分別與訓練集中的每一條資料進行計算，找到距離最近的k個鄰居（此處k = 5）），得到一個預測值
two_columns_predictes = knn.predict(norm_text_df[columns])

#生成的預測值與實際值進行評價
from sklearn.metrics import mean_squared_error
two_columns_mse = mean_squared_error(norm_text_df["Water_(g)"],two_columns_predictes)
two_columns_rmse = two_columns_mse**(1/2)
print(two_columns_rmse)

0.27313667573276207