标签：set frame panda pytho lib strong 分类方法 没有 绘制
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。
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
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() 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()
# 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
标签：set frame panda pytho lib strong 分类方法 没有 绘制
原文地址：https://www.cnblogs.com/shengyang17/p/9655737.html
