在线观看www成人影院-在线观看www日本免费网站-在线观看www视频-在线观看操-欧美18在线-欧美1级

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

scikit-learn K近鄰法類庫使用的經(jīng)驗(yàn)總結(jié)

lviY_AI_shequ ? 來源:未知 ? 2019-01-13 11:49 ? 次閱讀

本文對(duì)scikit-learn中KNN相關(guān)的類庫使用做了一個(gè)總結(jié),主要關(guān)注于類庫調(diào)參時(shí)的一個(gè)經(jīng)驗(yàn)總結(jié),且該文非常詳細(xì)地介紹了類的參數(shù)含義,這是小編見過最詳細(xì)的KNN類庫參數(shù)介紹 。

目錄

scikit-learn 中KNN相關(guān)的類庫概述

K近鄰法和限定半徑最近鄰法類庫參數(shù)小結(jié)

使用KNeighborsClassifier做分類的實(shí)例

1. scikit-learn中KNN相關(guān)的類庫概述

在scikit-learn 中,與近鄰法這一大類相關(guān)的類庫都在sklearn.neighbors包之中。KNN分類樹的類是KNeighborsClassifier,KNN回歸樹的類是KNeighborsRegressor。除此之外,還有KNN的擴(kuò)展,即限定半徑最近鄰分類樹的類RadiusNeighborsClassifier和限定半徑最近鄰回歸樹的類RadiusNeighborsRegressor, 以及最近質(zhì)心分類算法NearestCentroid。

在這些算法中,KNN分類和回歸的類參數(shù)完全一樣。限定半徑最近鄰法分類和回歸的類的主要參數(shù)也和KNN基本一樣。

比較特別是的最近質(zhì)心分類算法,由于它是直接選擇最近質(zhì)心來分類,所以僅有兩個(gè)參數(shù),距離度量和特征選擇距離閾值,比較簡(jiǎn)單,因此后面就不再專門講述最近質(zhì)心分類算法的參數(shù)。

另外幾個(gè)在sklearn.neighbors包中但不是做分類回歸預(yù)測(cè)的類也值得關(guān)注。kneighbors_graph類返回用KNN時(shí)和每個(gè)樣本最近的K個(gè)訓(xùn)練集樣本的位置。radius_neighbors_graph返回用限定半徑最近鄰法時(shí)和每個(gè)樣本在限定半徑內(nèi)的訓(xùn)練集樣本的位置。NearestNeighbors是個(gè)大雜燴,它即可以返回用KNN時(shí)和每個(gè)樣本最近的K個(gè)訓(xùn)練集樣本的位置,也可以返回用限定半徑最近鄰法時(shí)和每個(gè)樣本最近的訓(xùn)練集樣本的位置,常常用在聚類模型中。

2.K近鄰法和限定半徑最近鄰法類庫參數(shù)小結(jié)

本節(jié)對(duì)K近鄰法和限定半徑最近鄰法類庫參數(shù)做一個(gè)總結(jié)。包括KNN分類樹的類KNeighborsClassifier,KNN回歸樹的類KNeighborsRegressor, 限定半徑最近鄰分類樹的類RadiusNeighborsClassifier和限定半徑最近鄰回歸樹的類RadiusNeighborsRegressor。這些類的重要參數(shù)基本相同,因此我們放到一起講:

3. 使用KNeighborsClassifier做分類的實(shí)例

完整代碼見github:

https://github.com/ljpzzz/machinelearning/blob/master/classic-machine-learning/knn_classifier.ipynb

3.1 生成隨機(jī)數(shù)據(jù)

首先,我們生成我們分類的數(shù)據(jù),代碼如下:

import numpy as np import matplotlib.pyplot as plt from sklearn.datasets.samples_generator import make_classification # X為樣本特征,Y為樣本類別輸出, 共1000個(gè)樣本,每個(gè)樣本2個(gè)特征,輸出有3個(gè)類別,沒有冗余特征,每個(gè)類別一個(gè)簇 X, Y = make_classification(n_samples=1000, n_features=2, n_redundant=0, n_clusters_per_class=1, n_classes=3)plt.scatter(X[:, 0], X[:, 1], marker='o', c=Y)plt.show()

先看看我們生成的數(shù)據(jù)圖如下。由于是隨機(jī)生成,如果你也跑這段代碼,生成的隨機(jī)數(shù)據(jù)分布會(huì)不一樣。下面是我某次跑出的原始數(shù)據(jù)圖。

接著我們用KNN來擬合模型,我們選擇K=15,權(quán)重為距離遠(yuǎn)近。代碼如下:

from matplotlib.colors import ListedColormap cmap_light = ListedColormap(['#FFAAAA', '#AAFFAA', '#AAAAFF'])cmap_bold = ListedColormap(['#FF0000', '#00FF00', '#0000FF']) #確認(rèn)訓(xùn)練集的邊界 x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1 y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1 #生成隨機(jī)數(shù)據(jù)來做測(cè)試集然后預(yù)測(cè) xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.02), np.arange(y_min, y_max, 0.02))Z = clf.predict(np.c_[xx.ravel(), yy.ravel()]) # 畫出測(cè)試集數(shù)據(jù) Z = Z.reshape(xx.shape)plt.figure()plt.pcolormesh(xx, yy, Z, cmap=cmap_light) # 也畫出所有的訓(xùn)練集數(shù)據(jù) plt.scatter(X[:, 0], X[:, 1], c=Y, cmap=cmap_bold)plt.xlim(xx.min(), xx.max())plt.ylim(yy.min(), yy.max())plt.title("3-Class classification (k = 15, weights = 'distance')" )生成的圖如下,可以看到大多數(shù)數(shù)據(jù)擬合不錯(cuò),僅有少量的異常點(diǎn)不在范圍內(nèi)。

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴
  • 函數(shù)
    +關(guān)注

    關(guān)注

    3

    文章

    4371

    瀏覽量

    64230
  • KNN
    KNN
    +關(guān)注

    關(guān)注

    0

    文章

    22

    瀏覽量

    10959
  • 分類算法
    +關(guān)注

    關(guān)注

    0

    文章

    29

    瀏覽量

    9999

原文標(biāo)題:scikit-learn K近鄰法類庫使用小結(jié)

文章出處:【微信號(hào):AI_shequ,微信公眾號(hào):人工智能愛好者社區(qū)】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。

收藏 人收藏

    評(píng)論

    相關(guān)推薦
    熱點(diǎn)推薦

    Python機(jī)器學(xué)習(xí)Scikit-learn技術(shù)

    Scikit-learn API內(nèi)置了各種toy和real-world數(shù)據(jù)集[1]。這些可以便捷地通過一行代碼訪問,如果你正在學(xué)習(xí)或只是想快速嘗試新功能,這會(huì)非常有用。
    的頭像 發(fā)表于 08-27 17:34 ?3372次閱讀
    Python機(jī)器學(xué)習(xí)<b class='flag-5'>庫</b>談<b class='flag-5'>Scikit-learn</b>技術(shù)

    在PyODPS DataFrame自定義函數(shù)中使用pandas、scipy和scikit-learn

    的,MaxCompute 的 Python 環(huán)境只包含了 numpy 這一個(gè)第三方包,用戶常常問的問題是,如何在自定義函數(shù)里使用 pandas、scipy 或者 scikit-learn 這樣的包含c
    發(fā)表于 05-17 19:48

    通用Python機(jī)器學(xué)習(xí)scikit-learn

    《利用Python進(jìn)行數(shù)據(jù)分析》 134 scikit-learn介紹
    發(fā)表于 10-25 07:58

    SOPC Builder/Nios 學(xué)習(xí)經(jīng)驗(yàn)總結(jié)

    SOPC Builder/Nios 學(xué)習(xí)經(jīng)驗(yàn)總結(jié)
    發(fā)表于 07-22 15:32 ?0次下載
    SOPC Builder/Nios 學(xué)習(xí)<b class='flag-5'>經(jīng)驗(yàn)總結(jié)</b>

    線圈天線設(shè)計(jì)經(jīng)驗(yàn)總結(jié)

    線圈天線設(shè)計(jì)經(jīng)驗(yàn)總結(jié)
    發(fā)表于 09-12 17:21 ?224次下載

    模擬電路設(shè)計(jì)經(jīng)驗(yàn)總結(jié)

    模擬電子的相關(guān)知識(shí)學(xué)習(xí)教材資料——模擬電路設(shè)計(jì)經(jīng)驗(yàn)總結(jié)
    發(fā)表于 09-27 15:19 ?0次下載

    Python機(jī)器學(xué)習(xí)和深度學(xué)習(xí)總結(jié)

    我們?cè)贕ithub上的貢獻(xiàn)者和提交者之中檢查了用Python語言進(jìn)行機(jī)器學(xué)習(xí)的開源項(xiàng)目,并挑選出最受歡迎和最活躍的項(xiàng)目。 1. Scikit-learn(重點(diǎn)推薦) Scikit-learn
    發(fā)表于 11-10 14:49 ?969次閱讀

    指針經(jīng)驗(yàn)總結(jié)

    指針經(jīng)驗(yàn)總結(jié)
    發(fā)表于 10-27 15:44 ?19次下載
    指針<b class='flag-5'>經(jīng)驗(yàn)總結(jié)</b>

    基于Python的scikit-learn編程實(shí)例

    scikit-learn 是機(jī)器學(xué)習(xí)領(lǐng)域非常熱門的一個(gè)開源,基于Python 語言寫成。可以免費(fèi)使用。 網(wǎng)址: 上面有很多的教程,編程實(shí)例。而且還做了很好的總結(jié),下面這張圖基本概括了傳統(tǒng)機(jī)器學(xué)習(xí)
    發(fā)表于 11-15 19:39 ?1795次閱讀

    詳細(xì)解析scikit-learn進(jìn)行文本分類

    而多類別分類指的是y的可能取值大于2,但是y所屬類別是唯一的。它與多標(biāo)簽分類問題是有嚴(yán)格區(qū)別的。所有的scikit-learn分類器都是默認(rèn)支持多類別分類的。但是,當(dāng)你需要自己修改算法的時(shí)候,也是可以使用scikit-learn實(shí)現(xiàn)多類別分類的前期數(shù)據(jù)準(zhǔn)備的。
    的頭像 發(fā)表于 12-27 08:36 ?4902次閱讀
    詳細(xì)解析<b class='flag-5'>scikit-learn</b>進(jìn)行文本分類

    用英特爾DAAL性能加速SCIKIT學(xué)習(xí)

    , and experience faster scikit-learn for your machine learning workflows.
    的頭像 發(fā)表于 10-15 03:20 ?3496次閱讀

    基于Python的scikit-learn包實(shí)現(xiàn)機(jī)器學(xué)習(xí)

    基于Python的scikit-learn包實(shí)現(xiàn)機(jī)器學(xué)習(xí)。
    發(fā)表于 03-26 09:42 ?11次下載
    基于Python的<b class='flag-5'>scikit-learn</b>包實(shí)現(xiàn)機(jī)器學(xué)習(xí)

    EMI整改經(jīng)驗(yàn)總結(jié)

    EMI整改經(jīng)驗(yàn)總結(jié)
    發(fā)表于 12-20 15:55 ?46次下載

    Scikit-learn機(jī)器學(xué)習(xí)的概念及工作原理

    作為一個(gè)適用于 Python 編程語言的機(jī)器學(xué)習(xí) (ML) Scikit-learn 擁有大量算法,可供程序員和數(shù)據(jù)科學(xué)家在機(jī)器學(xué)習(xí)模型中輕松部署。
    的頭像 發(fā)表于 09-30 11:00 ?1785次閱讀

    選擇燒結(jié)銀的經(jīng)驗(yàn)總結(jié)

    選擇燒結(jié)銀的經(jīng)驗(yàn)總結(jié)
    的頭像 發(fā)表于 12-17 15:46 ?1685次閱讀
    選擇燒結(jié)銀的<b class='flag-5'>經(jīng)驗(yàn)總結(jié)</b>
    主站蜘蛛池模板: 国产精品午夜高清在线观看 | 涩999 | 欧美天天在线 | 丁香婷婷成人 | 日本免费大黄在线观看 | 国内精品一级毛片免费看 | 4hc44四虎www在线影院男同 | 国产片翁熄系列乱在线视频 | 亚洲宅男天堂a在线 | 特黄色一级毛片 | 免费看污视频的网站 | 亚洲成年人免费网站 | 伊人久久成人 | 色多多免费观看 | 日韩一卡2卡三卡4卡无卡网站 | 天天天干干干 | 亚洲一级毛片中文字幕 | a毛片基地免费全部香蕉 | 丁香六月在线观看 | 中文字幕一区二区三区四区五区人 | 久久综合久久精品 | 一级黄色片在线 | 性欧美大战久久久久久久久 | 国产精品777 | 狠狠干天天色 | a级网| 免费看男女做好爽好硬视频 | 亚洲欧洲无码一区二区三区 | 黄色免费看视频 | 色老二精品视频在线观看 | 亚洲精品亚洲人成人网 | 中文字幕在线观看一区 | 黄色网址 在线播放 | 扛着高跟鞋丝袜腿呻吟视频 | 午夜久久久 | 国产精品欧美精品国产主播 | 免费观看一级特黄欧美大片 | 久久国产精品久久久久久久久久 | 男人j进人女人j 的视频 | 亚洲免费人成在线视频观看 | ww欧美|