机器学习:scikit-learn中算法的调用、封装并使用自己所写的算法
2024-09-03 01:54:50
一、scikit-learn库中的kNN算法
- scikit-learn库中,所有机器学习算法都是以面向对象的形式进行包装的;
- 所有scikit-learn库中机器学习算法的使用过程:调用、实例化、fit、预测;
1)使用scikit-learn库中的kNN算法解决分来问题:
- 代码实现过程:
import numpy as np
import matplotlib.pyplot as plt raw_data_x = [[3.3935, 2.3312],
[3.1101, 1.7815],
[1.3438, 3.3684],
[3.5823, 4.6792],
[2.2804, 2.8670],
[7.4234, 4.6965],
[5.7451, 3.5340],
[9.1722, 2.5111],
[7.7928, 3.4241],
[7.9398, 0.7916]]
raw_data_y = [0, 0, 0, 0, 0, 1, 1, 1, 1, 1] X_train = np.array(raw_data_x)
y_train = np.array(raw_data_y)
x = np.array([8.0936, 3.3657]).reshape(1, -1) # 1)调用
# 从KNeighborsClassifier类中调用kNN算法
from sklearn.neighbors import KNeighborsClassifier # 2)实例化
# 创建一个KNeighborsClassifier相应的实例
# n_neighbors为kNN中的k值
KNN_classifier = KNeighborsClassifier(n_neighbors = 6) # 3)fit过程
# 对实例对象做拟合过程,返回机器学习对象自身,也就是训练的模型
# 对scikit-learn库中每一个机器学习算法的使用,都要先进行拟合
# fit的过程,传入训练数据集(特征值X_train、样本标签向量y_train)
KNN_classifier.fit(X_train, y_train) # 4)预测
# 使用模型进行预测,返回一个array,array中的每一个数据表示预测对象的输出结果
# 预测的对象必须是一个矩阵,一个矩阵中包含多个新样本
KNN_classifier.predict(x) - 代码实现过程中的主义事项:
- 对scikit-learn库中每一个机器学习算法的使用,都要先进行拟合;
- 拟合的过程,传入训练数据集(特征值X_train、样本标签向量y_train);
- 预测的对象必须是一个矩阵,一个矩阵中包含多个新样本;
二、将自己所写的kNN算法封装成scikit-learn库中的kNN算法一样的模式
- 封装算法:
import numpy as np
from math import sqrt
from collections import Counter class KNNClassifier: def __int__(self, k):
"""初始化kNN分类器"""
assert k >= 1, "k must be walid"
self.k = k
"""变量前加_,表示该变量为类私有,其它类不能随便操作"""
self._X_train = None
self._y_train = None def fit(self, X_train, y_train):
"""根据训练集X_train和y_train训练kNN分类器"""
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
"""
为了和scikit-learn库的规则一样,此处一般返回模型本身,
可使封装好的算法与scikit-learn中其它方法更好结合
"""
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,返回x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 - x_train) ** 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] def __repr__(self):
"""kNN算法的显示名称"""
return "KNN(k = %d)" % self.k - 测试算法:调用、实例化、fit、预测;(操作过程与scikit-learn中的算法应用一样)
import numpy as np
import matplotlib.pyplot as plt raw_data_x = [[3.3935, 2.3312],
[3.1101, 1.7815],
[1.3438, 3.3684],
[3.5823, 4.6792],
[2.2804, 2.8670],
[7.4234, 4.6965],
[5.7451, 3.5340],
[9.1722, 2.5111],
[7.7928, 3.4241],
[7.9398, 0.7916]]
raw_data_y = [0, 0, 0, 0, 0, 1, 1, 1, 1, 1] X_train = np.array(raw_data_x)
y_train = np.array(raw_data_y)
x = np.array([8.0936, 3.3657]).reshape(1, -1) # 1)导入kNN.py模块
%run kNN.py # 2)初始化
knn_clf = KNNClassifier(k=6) # 3)fit
knn_clf.fit(X_train, y_train) # 4)预测
y_predict = knn_clf.predict(X_predict)
print(y_predict) - scikit-learn库内部的底层实现更加复杂,因为kNN算法在预测的过程中非常耗时(也是kNN算法的缺点);
- 字Jupyter NoteBook中运行py文件:%run + dir_path,如%run E:/pythonwj/ALG/matries.py
最新文章
- python 小功能
- java,js,jstl,EL的简单交互
- Java多线程初学者指南(7):向线程传递数据的三种方法
- php圖片中寫入字符串然後生成圖片下載到本地
- python学习笔记 - assert用法
- PHP Fatal error问题处理
- mybati之#与$的区别
- java时间比较
- iOS 按钮倒计时功能
- thinkphp中try catch的运用
- codeforces round #405 B. Bear and Friendship Condition
- es6 class中责任链模式与AOP结合
- EBS WEBADI 下载模板提示 Visual Basic 运行时错误 '91' 对象变量或With块变量未设置
- 用ActiveX 创建自己的comboBox 控件(一)
- UNIGUI与UNIURLFRAME的互动
- C# log4net 使用
- c# 类的知识
- W-TinyLFU——设计一个现代的缓存
- GetImageURL
- “App.exe 以附加有调试器,但没有将该调试器配置为调试此未经处理的异常。”