分类模型 – KNN代码实现（上）

1. 导入依赖

首先，我们需要导入所需的库。

```python import numpy as np import pandas as pd

引入sklearn中的鸢尾花数据集

from sklearn.datasets import load_iris

切分数据集为训练集和测试集

from sklearn.modelselection import traintest_split

计算分类预测的准确率

from sklearn.metrics import accuracy_score ```

2. 数据加载与预处理

接下来，我们加载鸢尾花数据集并进行初步处理。

```python

加载鸢尾花数据集

iris = loadiris() data = iris.data featurenames = iris.feature_names target = iris.target

创建DataFrame对象

df = pd.DataFrame(data=data, columns=feature_names) df['class'] = target

将类别标签转换为名称

df['class'] = df['class'].map({0: iris.targetnames[0], 1: iris.targetnames[1], 2: iris.target_names[2]}) ```

查看数据描述统计信息：

python print(df.describe())

3. 数据划分

我们将数据集划分为训练集和测试集。

```python x = iris.data y = iris.target.reshape(-1, 1)

划分训练集和测试集

xtrain, xtest, ytrain, ytest = traintestsplit( x, y, testsize=0.3, randomstate=35, stratify=y ) ```

以上是KNN分类模型的代码实现过程。通过这些步骤，我们可以加载数据、进行预处理，并将数据集划分为训练集和测试集，以便后续进行模型训练和评估。