本文素材均来源于网络，参考黑马与网易教程
目录
3.SciKit-learn 中的 accuracy_score¶
3.1 闵可夫斯基距离(Minkowski Distance)
2.1 首先对训练数据集进行处理scikit-learn中的StandardScaler
2.2 使用归一化后的数据进行knn分类 训练跟测试必须同时进行归一化处理
一、什么是KNN算法
1.KNN
KNN是机器学习里面一个比较经典的算法，又被称之为K近邻算法（K Nearest Neighbor），同样也是一个非常容易理解的算法。
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。
2.公式
正如两个样本之间的距离如下图公式所示：
本文中我们采用的数据集均放置于Scikit-learn中
3.小结
最近邻 (k-Nearest Neighbors，KNN) 算法是一种分类算法，
1968年由 Cover 和 Hart 提出，应用场景有字符识别、文本分类、图像识别等领域。
该算法的思想是：一个样本与数据集中的k个样本最相似，如果这k个样本中的大多数属于某一个类别.
4.实现流程
1）计算已知类别数据集中的点与当前点之间的距离
2）按距离递增次序排序
3）选取与当前点距离最小的k个点
4）统计前k个点所在的类别出现的频率
5）返回前k个点出现频率最高的类别作为当前点的预测分类
二、KNN 与 SciKit-learn数据集
1.简单数据的KNN算法
首先看看我们本地pycharm中的文件结构，KNN_funition里的knn是我们自己写的比较简单的函数，外面的KNN.py是比较复杂的KNN。
接下来我们在jupyter notebook中来实现一个简单的KNN函数
# jupyter中需要借助numpy 与matplotlib进行计算与图形化
# 对数据进行分类
import numpy as np
import matplotlib.pyplot as plt
# 自制数据集
raw_data_X = [[3.393533211, 2.331273381],
[3.110073483, 1.781539638],
[1.343808831, 3.368360954],
[3.582294042, 4.679179110],
[2.280362439, 2.866990263],
[7.423436942, 4.696522875],
[5.745051997, 3.533989803],
[9.172168622, 2.511101045],
[7.792783481, 3.424088941],
[7.939820817, 0.791637231]
]
# 标签值y为
raw_data_y = [0, 0, 0, 0, 0, 1, 1, 1, 1, 1]
# 将X 与 y均导入到训练容器中
X_train = np.array(raw_data_X)
y_train = np.array(raw_data_y)
x = np.array([8.093607318, 3.365731514])
# 导入自己写的KNN_function中的简单KNN计算函数
%run KNN_function/KNN.py
# 封装一个自制函数
predict_y = kNN_classify(6, X_train, y_train, x)
# 最终输出 predict_y = 1
封装的自制KNN函数如下
import numpy as np
from math import sqrt
from collections import Counter
def kNN_classify(k, X_train, y_train, x):
# 前部分是一系列条件判定，防止出错
assert 1 <= k <= X_train.shape[0], "k must be valid"
assert X_train.shape[0] == y_train.shape[0], \
"the size of X_train must equal to the size of y_train"
assert X_train.shape[1] == x.shape[0], \
"the feature number of x must be equal to X_train"
# 欧式距离 取最近距离索引 放入nearest
distances = [sqrt(np.sum((x_train - x)**2)) for x_train in X_train]
nearest = np.argsort(distances)
# 最接近的数据为 topK_y
# 最终投票 votes
topK_y = [y_train[i] for i in nearest[:k]]
votes = Counter(topK_y)
return votes.most_common(1)[0][0]2.SciKit-learn数据学习
其实 KNN可以理解为 ：几乎不需要训练( fit )，甚至可以被认为是没有模型的算法
让我们从底层来编写KNN算法
from sklearn.neighbors import KNeighborsClassifier
# 创建实例 n_neighbors KNN的K值
# 假设我以6为邻居数进行判定
KNN_classifier = KNeighborsClassifier(n_neighbors=6)
# fit 拟合过程
KNN_classifier.fit(X_train, y_train)
# out： KNeighborsClassifier(n_neighbors=6)
# 调整x点 为矩阵
X_predict = x.reshape(1, -1)
# 需要预测的矩阵为
# X_predict
# 预测
y_predict = KNN_classifier.predict(X_predict)
# 分类后输出为1
y_predict[0]3.重新封装自制KNN
1. 代码封装
总结以上的代码，这里贴上一个比较完整的自制代码，并且进行测试。
import numpy as np
from math import sqrt
from collections import Counter
class KNNClassifier:
def __init__(self, k):
"""初始化KNN分类器"""
assert k >= 1, "k must be valid"
self.k = k
self._X_train = None # 私有值不可改变
self._y_train = None
def fit(self, X_train, y_train):
"""根据训练数据集X_train和y_train训练KNN分类器"""
self._X_train = X_train
self._y_train = y_train # KNN简单写完了
return self
def predict(self, X_predict):
"""给定代训练数据集X_predict返回表示X_predict的结果向量"""
# 先判定两个是否成立
assert self._X_train is not None and self._y_train is not None, \
"must fit before predict"
assert X_predict.shape[1] == self._X_train.shape[1], \
"the feature number of X_predict must be equal to X_train"
y_predict = [self._predict(x) for x in X_predict] # 向量
return np.array(y_predict)
def _predict(self, x):
"""给定单个待预测数据x，返回X_predict
的预测结果"""
assert x.shape[0] == self._X_train.shape[1], \
"the feature number of x must be equal to X_train"
distances = [sqrt(np.sum((x_train - x) ** 2)) for x_train in self._X_train]
nearest = np.argsort(distances)
topK_y = [self._y_train[i] for i in nearest[:self.k]]
votes = Counter(topK_y)
return votes.most_common(1)[0][0]2.测试
本文90%代码在jupyter notebook中运行，少量需要pycharm结合jupyter。
#封装
%run KNN.py
# 自制的函数6个排序 KNN_classifi
knn_clf = KNNClassifier(k=6)
# 训练
knn_clf.fit(X_train, y_train)
y_predict = knn_clf.predict(X_predict)
# 预测仍然是1
y_predict三、训练集与测试集的划分
1.查看鸢尾花数据集
选择在iris数据集(鸢尾花数据集)上进行测试，代码简单如下示意：
鸢尾花数据集大约是由四种花的指标进行判断分类出是那种鸢尾花。
# 导包
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
# 装载数据
iris = datasets.load_iris() # jupyter中可以输入名字进行查看
# 载入鸢尾花数据以及分类值
X = iris.data
y = iris.target
# 看看数据集有多少数据（鸢尾花数据集很小）
print(X.shape) # (150, 4)
print(y.shape) # (150, )
2.训练集与测试集的分割
(1).查看y数组的数值
可以看出被分为0,1,2,3 四种品种
(2).那么如何对数据进行划分
如何对数据进行划分
考虑划分问题需要进行乱序划分
为了一一对应 先合成矩阵
# 对149个数据的 索引进行乱序处理
shuffle_indexes = np.random.permutation(len(X)) # 乱序X个数据索引
shuffle_indexes # 索引随机排序之后再对数据进行划分，按照2 8 法则进行，测试20%数据，训练占用80%数据
# 2 8分测试2 训练8
test_ratio = 0.2
test_size = int(len(X) * test_ratio)# 测试数据大小为
print(test_size) # 输出 30 显示
# 得到对应索引 乱序
test_indexes = shuffle_indexes[:test_size] # 设置前30个为测试
train_indexes = shuffle_indexes[test_size:]# 设置第31个开始为训练
# 传入训练数据
# 塞入索引得到数据
X_train = X[train_indexes]
y_train = y[train_indexes]
X_test = X[test_indexes]
y_test = y[test_indexes]
print(X_train.shape) #(120,4)
print(y_train.shape) # (120,)
print(X_test.shape) # 矩阵
print(y_test.shape) # 向量
# (30, 4)
# (30,)3.使用我们的算法
准备一个playML工具箱，内部放置自己写的函数，大致结构如下所示
__init__.py 函数为空不用写
KNN.py代码如下所示
import numpy as np
from math import sqrt
from collections import Counter
class KNNClassifier:
def __init__(self, k):
"""初始化kNN分类器"""
assert k >= 1, "k must be valid"
self.k = k
self._X_train = None
self._y_train = None
def fit(self, X_train, y_train):
"""根据训练数据集X_train和y_train训练kNN分类器# 行数"""
assert X_train.shape[0] == y_train.shape[0], \
"the size of X_train must be equal to the size of y_train"
assert self.k <= X_train.shape[0], \
"the size of X_train must be at least k."
self._X_train = X_train
self._y_train = y_train
return self
def predict(self, X_predict):
"""给定待预测数据集X_predict，返回表示X_predict的结果向量"""
assert self._X_train is not None and self._y_train is not None, \
"must fit before predict!"
assert X_predict.shape[1] == self._X_train.shape[1], \
"the feature number of X_predict must be equal to X_train"
y_predict = [self._predict(x) for x in X_predict]
return np.array(y_predict)
def _predict(self, x):
"""给定单个待预测数据x，返回x的预测结果值"""
assert x.shape[0] == self._X_train.shape[1], \
"the feature number of x must be equal to X_train"
distances = [sqrt(np.sum((x_train - x) ** 2)) # n 列数据进行欧式计算
for x_train in self._X_train]
nearest = np.argsort(distances)
topK_y = [self._y_train[i] for i in nearest[:self.k]]
votes = Counter(topK_y)
return votes.most_common(1)[0][0]
def __repr__(self):
return "KNN(k=%d)" % self.k
model_selection.py如下所示
import numpy as np
# 分割数据集
def train_test_split(X, y, test_ratio=0.2, seed=None):
"""将数据 X 和 y 按照test_ratio分割成X_train, X_test, y_train, y_test"""
assert X.shape[0] == y.shape[0], \
"the size of X must be equal to the size of y"
assert 0.0 <= test_ratio <= 1.0, \
"test_ration must be valid"
if seed: #随机种子
np.random.seed(seed)
shuffled_indexes = np.random.permutation(len(X))
test_size = int(len(X) * test_ratio)
test_indexes = shuffled_indexes[:test_size]
train_indexes = shuffled_indexes[test_size:]
X_train = X[train_indexes]
y_train = y[train_indexes]
X_test = X[test_indexes]
y_test = y[test_indexes]
return X_train, X_test, y_train, y_test
开始使用我们自己写的算法
from playML.model_selection import train_test_split # 封装成类
X_train, X_test, y_train, y_test = train_test_split(X, y)
# 注意对齐数据
print(X_train.shape)
print(y_train.shape)
print(X_test.shape)
print(y_test.shape)
"""
(120, 4)
(120,)
(30, 4)
(30,)
"""
from playML.kNN import KNNClassifier
my_knn_clf = KNNClassifier(k=3)
# 预测结果
y_predict = my_knn_clf.predict(X_test)
# array([1, 2, 1, 1, 0, 0, 1, 2, 0, 0, 2, 0, 2, 0, 0, 0, 2, 1, 1, 1, 2, 2,
# 0, 2, 2, 0, 0, 1, 1, 0])
# 要看预测率
sum(y_predict == y_test)
sum(y_predict == y_test) / len(y_test) # 0.96666664.Sklearn 的train_test_spilt¶
采用现有的Sklearn中的api进行分割计算是非常简单的,完全不像上面一样需要自己造*
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2) # 默认值一般为0.2
# 注意对齐数据
print(X_train.shape)
print(y_train.shape)
print(X_test.shape)
print(y_test.shape)
print(y_predict)四、分类准确度判断
这时，我们的playML包又多了一个.py文件
import numpy as np
# 准确度度量
# 真实值与预测值
def accuracy_score(y_true, y_predict):
'''计算y_true和y_predict之间的准确率'''
assert y_true.shape[0] == y_predict.shape[0], \
"the size of y_true must be equal to the size of y_predict"
return sum(y_true == y_predict) / len(y_true)1.手写数字模块
手写数字数据集与之前的鸢尾花数据集合相比起来，复杂度上升了不少。我们先载入该数据集，看看数据集的描述。
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
# 载入手写数字模块
digits = datasets.load_digits()
digits.keys()
# dict_keys(['data', 'target', 'frame', 'feature_names', 'target_names', 'images',
# 'DESCR'])
# 数据集的描述
print(digits.DESCR) 译文：
* *数据集特征:* *
:实例数:1797
:属性个数:64
:属性信息:8 × 8的图像的整数像素范围0..16。
:缺少属性值:无
创作者:E. Alpaydin (Alpaydin '@' boun.edu.tr)
:日期:1998年七月
我们继续看代码
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
# 载入手写数字模块
digits = datasets.load_digits()
digits.keys()
# dict_keys(['data', 'target', 'frame', 'feature_names', 'target_names', 'images',
# 'DESCR'])
# 数据集的描述
print(digits.DESCR)
# 数据内容8*8矩阵图 (1797, 64)
X = digits.data
print(X.shape)
y = digits.target
print(y.shape )
将一堆混乱的数据进行可视化，专门针对X[666]数字进行可视化
# 查看第666个数字的样式
some_digit = X[666]
some_digit_image = some_digit.reshape(8,8)
import matplotlib
import matplotlib.pyplot as plt
plt.imshow(some_digit_image, cmap = matplotlib.cm.binary) #api自查
plt.show()继续我们的训练学习，最终对数据进行分割，预测，评分得到实际数据0.986
# 同样也需要进行数据分割
# 用标准KNNapi分割
from playML.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_ratio=0.2)
# 自己写的分类器进行预测
from playML.kNN import KNNClassifier
my_knn_clf = KNNClassifier(k=3)
my_knn_clf.fit(X_train, y_train)
y_predict = my_knn_clf.predict(X_test)
# 对预测精准度进行预判
sum(y_predict == y_test) / len(y_test) # 0.98607242339832872.封装自制的accurac_score
我们将预测准确度的测评机制集成到playML包中
from playML.metrics import accuracy_score
accuracy_score(y_test, y_predict) # 0.9916666666666667
my_knn_clf.score(X_test, y_test) # 0.99444444444444453.SciKit-learn 中的 accuracy_score¶
最后还是来看看官方的代码预测的结果，之前自制的代码都是为了让自己的理解更加深刻。
# 封装准确度 加入随机种子
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=666)
# 调用score
from sklearn.neighbors import KNeighborsClassifier
knn_clf = KNeighborsClassifier(n_neighbors=3)
knn_clf.fit(X_train, y_train)
y_predict = knn_clf.predict(X_test)
# 不需要每次计算score 进行比较
from sklearn.metrics import accuracy_score
accuracy_score(y_test, y_predict) # 0.9916666666666667
# emm 准确率略微提升？
my_knn_clf.score(X_test, y_test) # 0.9944444444444445五、超参数(Hyper-Parameters)
1. 超参数
机器学习和深度学习工作流中最困难的部分之一，就是为模型找到最好的超参数，机器学习和深度学习模型的性能与超参数直接相关。超参数调优的越好，得到的模型就越好。调优超参数可能是非常乏味和困难的，更像是一门艺术而不是科学。
如何寻找最好的超参数：1.领域知识 2.经验数值 3.实验搜索
# 寻找最好的超参数
# 领域知识 经验数值 实验搜索
# 仍然用数字来计算
import numpy as np
from sklearn import datasets
digits = datasets.load_digits()
X = digits.data
y = digits.target
# 加入随机种子666
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=666)
# 导入KNN库
from sklearn.neighbors import KNeighborsClassifier
knn_clf = KNeighborsClassifier(n_neighbors=3)
knn_clf.fit(X_train, y_train)
knn_clf.score(X_test, y_test)
# 0.99166666666666672. 寻找最优K
# 初始化最好值为0
# 调参 如果是10 调为10以上
# 超参数 K
# 超参数 method 考虑距离权重 倒数写法 可以解决平票问题
best_score = 0.0
best_k = -1
best_method = "" # 考虑权重 先选空 不考虑
for method in ["uniform", "distance"]:
for k in range(1, 11): # 就寻找KNN 1 -10 个K 判断哪个K最好
knn_clf = KNeighborsClassifier(n_neighbors=k, weights=method) # 传入循环k
knn_clf.fit(X_train, y_train) # 训练
score = knn_clf.score(X_test, y_test) #查分数
if score > best_score: # 分数好 k 更新
best_k = k
best_score = score
best_method = method
print("best_method =", best_method)
print("best_k =", best_k) # 分别打印出最好的数值
print("best_score =", best_score)3. 搜索明科夫斯基距离相应的P
3.1 闵可夫斯基距离(Minkowski Distance)
闵氏距离不是一种距离，而是一组距离的定义，是对多个距离度量公式的概括性的表述。
两个n维变量a(x11,x12,…,x1n)与b(x21,x22,…,x2n)间的闵可夫斯基距离定义为：
其中p是一个变参数：
当p=1时，就是曼哈顿距离；
在曼哈顿街区要从一个十字路口开车到另一个十字路口，驾驶距离显然不是两点间的直线距离。这个实际驾驶距离就是“曼哈顿距离”。曼哈顿距离也称为“城市街区距离”(City Block distance)。
当p=2时，就是欧氏距离；
欧氏距离是最容易直观理解的距离度量方法，我们小学、初中和高中接触到的两个点在空间中的距离一般都是指欧氏距离。
当p→∞时，就是切比雪夫距离。
国际象棋中，国王可以直行、横行、斜行，所以国王走一步可以移动到相邻8个方格中的任意一个。国王从格子(x1,y1)走到格子(x2,y2)最少需要多少步？这个距离就叫切比雪夫距离。
根据p的不同，闵氏距离可以表示某一类/种的距离。
小结：
1 闵氏距离，包括曼哈顿距离、欧氏距离和切比雪夫距离都存在明显的缺点:
e.g. 二维样本(身高[单位:cm],体重[单位:kg]),现有三个样本：a(180,50)，b(190,50)，c(180,60)。
a与b的闵氏距离（无论是曼哈顿距离、欧氏距离或切比雪夫距离）等于a与c的闵氏距离。但实际上身高的10cm并不能和体重的10kg划等号。
3.2 闵氏距离的缺点：
(1)将各个分量的量纲(scale)，也就是“单位”相同的看待了;
(2)未考虑各个分量的分布（期望，方差等）可能是不同的。
3.3 改变超参数P来判断具体公式效果
# 搜索时间较长 K*p 类似网格搜索 超参数之间还有互相依赖关系
%%time
best_score = 0.0
best_k = -1
best_p = -1 # 修改p
for k in range(1, 11):
for p in range(1, 6): # 双重循环 每次k都得查一次P公式
knn_clf = KNeighborsClassifier(n_neighbors=k, weights="distance", p=p)
knn_clf.fit(X_train, y_train)
score = knn_clf.score(X_test, y_test)
if score > best_score:
best_k = k
best_p = p
best_score = score
print("best_k =", best_k)
print("best_p =", best_p)
print("best_score =", best_score)
六、更多参数与网格搜索
1.网格搜索和更多的KNN超参数
# 仍然是数字签名
import numpy as np
from sklearn import datasets
digits = datasets.load_digits()
X = digits.data
y = digits.target
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=666)
from sklearn.neighbors import KNeighborsClassifier
sk_knn_clf = KNeighborsClassifier(n_neighbors=4, weights="uniform")
sk_knn_clf.fit(X_train, y_train)
sk_knn_clf.score(X_test, y_test)2.Grid Search
网格搜索
# 定义搜索的参数 字典 网格搜索
param_grid = [
{
'weights': ['uniform'], # 键 对应uniform 搜索范围
'n_neighbors': [i for i in range(1, 11)]
},
{
'weights': ['distance'], # distance 搜索范围
'n_neighbors': [i for i in range(1, 11)],
'p': [i for i in range(1, 6)]
}
]
# 创建网格搜索对应算法
knn_clf = KNeighborsClassifier()
# 对应网格搜索包
from sklearn.model_selection import GridSearchCV #交叉验证
grid_search = GridSearchCV(knn_clf, param_grid) # 哪个分类器 参数是啥
# 相对较慢 打点计时 # 返回最佳分类器的超参数
%%time
grid_search.fit(X_train, y_train)
# 最佳分类器对应的值
grid_search.best_estimator_ # KNeighborsClassifier(n_neighbors=1)
# 最佳分数
grid_search.best_score_ # 0.9860820751064653
# 对搜索数组而言最佳参数如下
grid_search.best_params_ # {'n_neighbors': 1, 'weights': 'uniform'}knn_clf = grid_search.best_estimator_
# 此时对于X_test进行计算的结果
knn_clf.predict(X_test)3.CV参数
# n_jobs cpu核数-1最大 Verbose一些输出 帮助更好理解输出
#
%time
grid_search = GridSearchCV(knn_clf, param_grid, n_jobs=-1, verbose=2)
grid_search.fit(X_train, y_train)4.其他超参数
metrics: sklearn.neighbors.DistanceMetric — scikit-learn 1.0 documentation
七、数据归一化(Feature Scaling)
1.最值归一化（ Normalization）
数据归一化，主要是为了数据处理方便提出来的，把数据映射到0～1范围之内处理，更加便捷快速。
import numpy as np
import matplotlib.pyplot as plt
# 随机生成向量 0-100之间
x = np.random.randint(0, 100, 100)
# 每个值减去最小值 除以 最大值减去最小值
(x - np.min(x)) / (np.max(x) - np.min(x)) 可以看到归一化处理后数据变为0-1之间
# 建立矩阵
X = np.random.randint(0, 100, (50, 2))
# 前十行 每一列
X[:10,:]
X = np.array(X, dtype = float)
# 前十行 每一列
X[:10,:]# 最值归一化 有n个特征写循环即可
X[:,0] = (X[:,0] - np.min(X[:,0])) / (np.max(X[:,0]) - np.min(X[:,0]))
X[:,1] = (X[:,1] - np.min(X[:,1])) / (np.max(X[:,1]) - np.min(X[:,1]))
print(X[:10,:])plt.scatter(X[:,0], X[:,1])
plt.show()
# 第0列对应 均值
np.mean(X[:,0])
# 第0列方差
np.std(X[:,0])
np.mean(X[:,1])
np.std(X[:,1])2.均值方差归一化
# 随机矩阵 50 * 2
X2 = np.random.randint(0, 100, (50, 2))
X2 = np.array(X2, dtype=float)
X2[:10,:]
# 公式如下
X2[:,0] = (X2[:,0] - np.mean(X2[:,0])) / np.std(X2[:,0])
X2[:,1] = (X2[:,1] - np.mean(X2[:,1])) / np.std(X2[:,1])
# 散点图打点
plt.scatter(X2[:,0], X2[:,1])
plt.show()
# 第0列均值
np.mean(X2[:,0])
# 方差 均值放0 方差为1 的范围
np.std(X2[:,0])
np.mean(X2[:,1])
np.std(X2[:,1])
八、Scaler-in-Scikit-Learn
1. playML包
终于到了最后一步，我们来看看自己写的代码工具。
最后增加了一份 preprocessing.py文件 其代码大致如下所示
import numpy as np
class StandardScaler:
def __init__(self):
self.mean_ = None
self.scale_ = None
def fit(self, X):
"""根据训练数据集X获得数据的均值和方差"""
assert X.ndim == 2, "The dimension of X must be 2"
self.mean_ = np.array([np.mean(X[:,i]) for i in range(X.shape[1])])
self.scale_ = np.array([np.std(X[:,i]) for i in range(X.shape[1])])
return self
def transform(self, X):
"""将X根据这个StandardScaler进行均值方差归一化处理"""
assert X.ndim == 2, "The dimension of X must be 2"
assert self.mean_ is not None and self.scale_ is not None, \
"must fit before transform!"
assert X.shape[1] == len(self.mean_), \
"the feature number of X must be equal to mean_ and std_"
resX = np.empty(shape=X.shape, dtype=float)
for col in range(X.shape[1]):
resX[:,col] = (X[:,col] - self.mean_[col]) / self.scale_[col]
return resX2. Scikit-learn中的Scaler
2.1 首先对训练数据集进行处理scikit-learn中的StandardScaler
import numpy as np
from sklearn import datasets
iris = datasets.load_iris()
X = iris.data
y = iris.target
# 仍然是鸢尾花 前十行数据如下
print(X[:10,:])from sklearn.model_selection import train_test_split
# 分割
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=666)#数据预处理过程 preprocessing
#实例 均值归一化
from sklearn.preprocessing import StandardScaler
standardScalar = StandardScaler()
# 均值方差归一化的关键信息
standardScalar.fit(X_train)
# 平均值 传入计算出的变量mean_
standardScalar.mean_
# 标准差 （描述数据分布范围）
standardScalar.scale_
# 归一化结果
standardScalar.transform(X_train)
2.2 使用归一化后的数据进行knn分类 训练跟测试必须同时进行归一化处理
from sklearn.neighbors import KNeighborsClassifier
knn_clf = KNeighborsClassifier(n_neighbors=3)
knn_clf.fit(X_train, y_train)
# 准确率100% 由于鸢尾花数据集很小
knn_clf.score(X_test_standard, y_test)
knn_clf.score(X_test, y_test) # 0.333333333333333312.3 实现我们自己的standardScaler
# 分割
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=666)
# 训练
from playML.preprocessing import StandardScaler
my_standardScalar = StandardScaler()
my_standardScalar.fit(X_train)
print(my_standardScalar.mean_)
print(my_standardScalar.scale_)
X_train = standardScalar.transform(X_train)
print(X_train[:10,:])