sklearn实现KNN分类算法

最新推荐文章于 2025-07-25 20:46:41 发布

原创最新推荐文章于 2025-07-25 20:46:41 发布 · 6.4k 阅读

61 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #python #线性回归：损失函数和假设函数 #实现KNN分类算法 #sklearn实现分类算法

Python机器学习算法入门教程（人工智能）专栏收录该内容

23 篇文章

订阅专栏

本文通过Python的sklearn库演示了KNN算法在红酒数据集上的应用。首先导入必要的库，然后加载红酒数据集并划分训练集和测试集。接着，创建KNeighborsClassifier模型，设置K值为10，并用训练集拟合模型。最后，模型在测试集上得分0.75，并对一组红酒特征进行预测，结果显示属于1类别。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

sklearn实现KNN分类算法

Pyhthon Sklearn 机器学习库提供了 neighbors 模块，该模块下提供了 KNN 算法的常用方法，如下所示：

类方法	说明
KNeighborsClassifier	KNN 算法解决分类问题
KNeighborsRegressor	KNN 算法解决回归问题
RadiusNeighborsClassifier	基于半径来查找最近邻的分类算法
NearestNeighbors	基于无监督学习实现KNN算法
KDTree	无监督学习下基于 KDTree 来查找最近邻的分类算法
BallTree	无监督学习下基于 BallTree 来查找最近邻的分类算法

本节可以通过调用 KNeighborsClassifier 实现 KNN 分类算法。下面对 Sklearn 自带的“红酒数据集”进行 KNN 算法分类预测。最终实现向训练好的模型喂入数据，输出相应的红酒类别，示例代码如下：

#加载红酒数据集
from sklearn.datasets import load_wine
#KNN分类算法
from sklearn.neighbors import KNeighborsClassifier
#分割训练集与测试集
from sklearn.model_selection import train_test_split
#导入numpy
import numpy as np
#加载数据集
wine_dataset=load_wine()
#查看数据集对应的键
print("红酒数据集的键:\n{}".format(wine_dataset.keys()))
print("数据集描述:\n{}".format(wine_dataset['data'].shape))
# data 为数据集数据;target 为样本标签
#分割数据集，比例为 训练集：测试集 = 8:2
X_train,X_test,y_train,y_test=train_test_split(wine_dataset['data'],wine_dataset['target'],test_size=0.2,random_state=0)
#构建knn分类模型，并指定 k 值
KNN=KNeighborsClassifier(n_neighbors=10)
#使用训练集训练模型
KNN.fit(X_train,y_train)
#评估模型的得分
score=KNN.score(X_test,y_test)
print(score)
#给出一组数据对酒进行分类
X_wine_test=np.array([[11.8,4.39,2.39,29,82,2.86,3.53,0.21,2.85,2.8,.75,3.78,490]])
predict_result=KNN.predict(X_wine_test)
print(predict_result)
print("分类结果：{}".format(wine_dataset['target_names'][predict_result]))

输出结果：

红酒数据集的键:
dict_keys(['data', 'target', 'frame', 'target_names', 'DESCR', 'feature_names'])
数据集描述:
(178, 13)
0.75
[1]
分类结果：['class_1']

最终输入数据的预测结果为 1 类别。