1.分类分析

分类（Classification）指的是从数据中选出已经分好类的训练集，在该训练集上运用数据挖掘分类的技术，建立分类模型，对于没有分类的数据进行分类的分析方法。

分类问题的应用场景：分类问题是用于将事物打上一个标签，通常结果为离散值。例如判断一副图片上的动物是一只猫还是一只狗，分类通常是建立在回归之上。

本文主要讲基本的分类方法 ----- KNN最邻近分类算法

KNN最邻近分类算法，简称KNN，最简单的机器学习算法之一。

　　核心逻辑：在距离空间里，如果一个样本的最接近的K个邻居里，绝大多数属于某个类别，则该样本也属于这个类别。

2. KNN最邻近分类的python实现方法

最邻近分类的python实现方法

在距离空间里，如果一个样本的最接近的k个邻居里，绝大多数属于某个类别，则该样本也属于这个类别

电影分类 / 植物分类

2.1电影分类

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

% matplotlib inline

#  案例一：电影数据分类

from sklearn import neighbors  # 导入KNN分类模块

import warnings

warnings.filterwarnings('ignore')

# 不发出警告

data = pd.DataFrame({'name':['北京遇上西雅图','喜欢你','疯狂动物城','战狼2','力王','敢死队'],

                  'fight':[3,2,1,101,99,98],

                  'kiss':[104,100,81,10,5,2],

                  'type':['Romance','Romance','Romance','Action','Action','Action']})

print(data)

print('-------')

#  创建数据

plt.scatter(data[data['type'] == 'Romance']['fight'], data[data['type'] == 'Romance']['kiss'], color = 'r',marker = 'o',label = 'Romance')

plt.scatter(data[data['type'] == 'Action']['fight'],data[data['type'] == 'Action']['kiss'],color = 'g',marker = 'o',label = 'Action')

plt.grid()

plt.legend()

　data[data['type'] == 'Romance']['fight'] # 3 2 1
　data[data['type'] == 'Romance']['kiss'] #104 100 81

knn = neighbors.KNeighborsClassifier()   # 取得knn分类器

knn.fit(data[['fight','kiss']], data['type'])

print('预测电影类型为:', knn.predict([18, 90]))

# 加载数据，构建KNN分类模型

# 预测未知数据

plt.scatter(18,90,color = 'r',marker = 'x',label = 'Romance')

plt.ylabel('kiss')

plt.xlabel('fight')

plt.text(18,90,'《你的名字》',color = 'r')

# 绘制图表

data2 = pd.DataFrame(np.random.randn(100, 2)*50, columns = ['fight', 'kiss'])

data2['typetest'] = knn.predict(data2)

plt.scatter(data[data['type'] == 'Romance']['fight'],data[data['type'] == 'Romance']['kiss'],color = 'r',marker = 'o',label = 'Romance')

plt.scatter(data[data['type'] == 'Action']['fight'],data[data['type'] == 'Action']['kiss'],color = 'g',marker = 'o',label = 'Action')

plt.grid()

plt.legend() #做一个可视化

plt.scatter(data2[data2['typetest'] == 'Romance']['fight'],data2[data2['typetest'] == 'Romance']['kiss'],color = 'r',marker = 'x',label = 'Romance')

plt.scatter(data2[data2['typetest'] == 'Action']['fight'],data2[data2['typetest'] == 'Action']['kiss'],color = 'g',marker = 'x',label = 'Action')

# plt.legend()

plt.ylabel('kiss')

plt.xlabel('fight')

# 绘制图表

data2.head()

2.2植物分类

# 案例二：植物分类

from sklearn import datasets

iris = datasets.load_iris()

print(iris.keys())

print('数据长度为:%i条' % len(iris['data']))

# 导入数据

print(iris.feature_names)

print(iris.target_names)

#print(iris.target)

print(iris.data[:5])

# 150个实例数据

# feature_names - 特征分类：萼片长度，萼片宽度，花瓣长度，花瓣宽度  → sepal length, sepal width, petal length, petal width

# 目标类别：Iris setosa, Iris versicolor, Iris virginica.

data = pd.DataFrame(iris.data, columns = iris.feature_names)

data['target'] = iris.target

iris.target

data.head()

knn = neighbors.KNeighborsClassifier()

knn.fit(iris.data, iris.target) #构建一个分类模型

prt_data = knn.predict([0.2, 0.1, 0.3, 0.4]) #array([0])

prt_data

ty = pd.DataFrame({'target':[0, 1, 2],

                  'target_names':iris.target_names})

iris.target

df = pd.merge(data, ty, on = 'target')

df.head()

knn = neighbors.KNeighborsClassifier()

# knn.fit(iris.data, iris.target) #构建一个分类模型

knn.fit(iris.data, df['target_names']) #监督学习一定要有它的特征量和目标值

prt_data = knn.predict([0.2, 0.1, 0.3, 0.4]) #做预测

prt_data

巴特西

数学建模：2.监督学习--分类分析- KNN最邻近分类算法

1.分类分析

2. KNN最邻近分类的python实现方法

2.1电影分类

2.2植物分类

最新文章

热门文章