概述

這個案例還是基于之前的案例進行改造。

之前的案例代碼完整如下：

from sklearn.datasets import make_blobs
# KNN 分類器
from sklearn.neighbors import KNeighborsClassifier
# 畫圖工具
import matplotlib.pyplot as plt
# 數據集拆分工具
from sklearn.model_selection import train_test_split
# 數據分析
import numpy as np# 生成樣本數為200，分類為2的數據集
data = make_blobs(n_samples=200, centers=2, random_state=8)
X, y = data# 創建knn分類器
clf = KNeighborsClassifier()
clf.fit(X, y)# 畫圖
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, .02), np.arange(y_min, y_max, .02))
z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
z = z.reshape(xx.shape)# 繪制數據集
plt.pcolormesh(xx, yy, z, cmap=plt.cm.Pastel1)
plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.spring, edgecolor='k')# 把新的數據點用五角星表示出來
plt.scatter(6.75, 4.82, marker="*", c="red", s=200)plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.title("Classifier: KNN")plt.show()# 預測
print(clf.predict([[6.75, 4.82]]))

輸出結果如下：

構造新的數據集

構造一個樣本數為500，分類數為5的數據集，然后使用散點圖進行可視化：

# 生成樣本數為500， 分類數為5的數據集
data2 = make_blobs(n_samples=500, centers=5, random_state=8)
X2, y2 = data2# 用散點圖將數據集進行可視化
plt.scatter(X2[:,0], X2[:,1], c=y2, cmap=plt.cm.spring, edgecolor='k')
plt.show()

效果預覽如下：

此時的完整代碼如下：

from sklearn.datasets import make_blobs
# KNN 分類器
from sklearn.neighbors import KNeighborsClassifier
# 畫圖工具
import matplotlib.pyplot as plt
# 數據集拆分工具
from sklearn.model_selection import train_test_split
# 數據分析
import numpy as np# 生成樣本數為500， 分類數為5的數據集
data2 = make_blobs(n_samples=500, centers=5, random_state=8)
X2, y2 = data2# 用散點圖將數據集進行可視化
plt.scatter(X2[:,0], X2[:,1], c=y2, cmap=plt.cm.spring, edgecolor='k')
plt.show()

X2和y2分別是什么？

此時，X2依舊還是一個二維數組：

y2是一個一維數組，記錄了每一行對應的分類是什么：

使用KNN訓練模型

核心代碼：

# 訓練模型
clf  = KNeighborsClassifier()
clf.fit(X2, y2)# 畫圖
x_min, x_max = X2[:,0].min() - 1, X2[:,0].max() + 1
y_min, y_max = X2[:,1].min() - 1, X2[:,1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, .02), np.arange(y_min, y_max, .02))z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
z = z.reshape(xx.shape)plt.pcolormesh(xx, yy, z, cmap=plt.cm.Pastel1)
plt.scatter(X2[:,0], X2[:,1], c=y2, cmap=plt.cm.spring, edgecolor='k')
plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.title("Classifier: KNN")
plt.show()

輸出結果：

此時的完整代碼如下：

from sklearn.datasets import make_blobs
# KNN 分類器
from sklearn.neighbors import KNeighborsClassifier
# 畫圖工具
import matplotlib.pyplot as plt
# 數據集拆分工具
from sklearn.model_selection import train_test_split
# 數據分析
import numpy as np# 生成樣本數為500， 分類數為5的數據集
data2 = make_blobs(n_samples=500, centers=5, random_state=8)
X2, y2 = data2# 訓練模型
clf  = KNeighborsClassifier()
clf.fit(X2, y2)# 畫圖
x_min, x_max = X2[:,0].min() - 1, X2[:,0].max() + 1
y_min, y_max = X2[:,1].min() - 1, X2[:,1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, .02), np.arange(y_min, y_max, .02))z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
z = z.reshape(xx.shape)plt.pcolormesh(xx, yy, z, cmap=plt.cm.Pastel1)
plt.scatter(X2[:,0], X2[:,1], c=y2, cmap=plt.cm.spring, edgecolor='k')
plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.title("Classifier: KNN")
plt.show()

查看模型評分

核心代碼：

clf.score(X2, y2)

輸出如下：