(机器学习)——使用KNN进行水果分类

这篇具有很好参考价值的文章主要介绍了(机器学习)——使用KNN进行水果分类。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

(机器学习)——使用KNN进行水果分类(详解)

实验目标是:导入素材文件fruit_data.txt,使用SKlearn中的neighbors模块对水果数据进行分类,然后预测A、B两种水果的类别。
	
 以下是待预测水果的样本数据:

使用knn对水果分类特征有重量,宽度,高度,颜色值,分类,python

其中,
mass:水果的重量        
width:测量出的宽度
height:测量出的高度
color_score:颜色值

一.导入素材fruit_data.txt

这里使用numpy中的loadtxt()方法进行文本导入:
使用格式为:(这里只写我们需要用到的参数\doge)
	np.loadtxt(file_name_path, usecols=None )

首先我把这个素材fruit_data.txt文件放到当前项目的文件夹中,
导入时以第一列用作knn训练的标记值(类别),以而后的列作为训练的特征数据。读取如下:
# 首先先导入相关模块
from sklearn.neighbors import KNeighborsClassifier
import numpy as np

# 获取训练集
train_x = np.loadtxt('./fruit_data.txt', usecols = (1,2,3,4))
train_y = np.loadtxt('./fruit_data.txt', usecols = (0))
通过打印查看导入数据的呈现形式:
print(train_x)
print(train_y)
如下是训练集的特征数据:

使用knn对水果分类特征有重量,宽度,高度,颜色值,分类,python

如下是训练集的标记值数据:

使用knn对水果分类特征有重量,宽度,高度,颜色值,分类,python

二.导入测试集文件数据

需要自己手动建立一个txt文档,存放测试数据,在这里由于spyder没法将字符转换为浮点型数据,
会报如下错误,因而我将样本名A、B使用1、2来替代它们了(新手新手,苯方法hhh):

使用knn对水果分类特征有重量,宽度,高度,颜色值,分类,python

使用knn对水果分类特征有重量,宽度,高度,颜色值,分类,python

同样,也是使用numpy的loadtxt()方法读入这些测试数据:
test_x = np.loadtxt('./fruit_test.txt', usecols = (1,2,3,4))
test_y = np.loadtxt('./fruit_test.txt', usecols = (0))

# 同样可以执行打印语句来查看当前数据的导入情况
print(test_x)
print(test_y)

使用knn对水果分类特征有重量,宽度,高度,颜色值,分类,python

直到这里,我们已经把需要使用的数据全部导入完毕了,接下来就是对这些数据进行训练和测试了

三.使用KNN进行数据集训练和数据测试

首先我们需要初始化一个训练集,然后将待训练数据传入该训练集的fit()方法中进行训练,代码如下:
knn = KNeighborsClassifier()
knn.fit(train_x, train_y)
训练完毕后可以使用原训练集进行一番测试,看看当前的预测效果如何:
# 对原数据集进行训练
predict_result_01 = knn.predict(train_x)
print('真实结果:', train_y)
print('预测结果:', predict_result_01)
print('预算精确度', knn.score(train_x, train_y))
可以看到,这个测试准确率有一点低(流汗~),但是也还不错了(强颜欢笑),如下是我们使用原来用于训练的训练集进行测试得到的结果和精确度:

使用knn对水果分类特征有重量,宽度,高度,颜色值,分类,python

接下来我们对待测试数据进行测试:
#对样本数据进行训练
predict_result_02 = knn.predict(test_x)
print('测试结果:', predict_result_02)
结果如下:待测试的两个样本数据都属于类型4

使用knn对水果分类特征有重量,宽度,高度,颜色值,分类,python文章来源地址https://www.toymoban.com/news/detail-741868.html

截至目前,我们想要实现的使用KNN进行水果分类已经执行完毕。如果上述样本数据较少,
大家可能觉得偶然性较大的话,可以自己手动造一些数据,测试测试哈哈哈~

到了这里,关于(机器学习)——使用KNN进行水果分类的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 机器学习与深度学习——通过knn算法分类鸢尾花数据集iris求出错误率并进行可视化

    什么是knn算法? KNN算法是一种基于实例的机器学习算法,其全称为K-最近邻算法(K-Nearest Neighbors Algorithm)。它是一种简单但非常有效的分类和回归算法。 该算法的基本思想是:对于一个新的输入样本,通过计算它与训练集中所有样本的距离,找到与它距离最近的K个训练集样

    2024年02月03日
    浏览(39)
  • 机器学习——kNN算法之红酒分类

    目录 StandardScaler的使用 KNeighborsClassifier的使用 代码实现 数据集介绍 数据集为一份红酒数据,总共有 178 个样本,每个样本有 13 个特征,这里不会为你提供红酒的标签,你需要自己根据这 13 个特征对红酒进行分类。部分数据如下图: StandardScaler的使用 由于数据中有些特征的

    2024年02月11日
    浏览(35)
  • 机器学习KNN最邻近分类算法

    KNN (K-Nearest Neighbor) 最邻近分类算法,其核心思想“近朱者赤,近墨者黑”,由你的邻居来推断你的类别。 图中绿色圆归为哪一类? 1、如果k=3,绿色圆归为红色三角形 2、如果k=5,绿色圆归为蓝色正方形 参考文章 knn算法实现原理:为判断未知样本数据的类别,以所有已知样

    2024年04月10日
    浏览(64)
  • 机器学习-KNN算法(鸢尾花分类实战)

    前些天发现了一个巨牛的人工智能学习网站,通俗易懂,风趣幽默,忍不住分享一下给大家。点击跳转到网站。 K近邻(K Nearest Neighbors,KNN)算法是最简单的分类算法之一,也就是根据现有训练数据判断输入样本是属于哪一个类别。 “近朱者赤近墨者黑\\\",所谓的K近邻,也就

    2023年04月08日
    浏览(68)
  • 【机器学习】分类算法 - KNN算法(K-近邻算法)KNeighborsClassifier

    「作者主页」: 士别三日wyx 「作者简介」: CSDN top100、阿里云博客专家、华为云享专家、网络安全领域优质创作者 「推荐专栏」: 对网络安全感兴趣的小伙伴可以关注专栏《网络安全入门到精通》 is_array() 可以 「检测」 变量是不是 「数组」 类型。 语法 参数 $var :需要检

    2024年02月16日
    浏览(40)
  • 机器学习中的分类算法详细介绍一(KNN、决策树)

    机器学习中的分类算法有:KNN算法、决策树、随机森林、SVM、极限学习机、多层感知机(BP神经网络)、贝叶斯方法。 关键知识:数据预处理(数据标准化)、K个邻居(需要由用户指定)、距离计算方式(需要考虑数据的特点) 核心思想:物以类聚人以群分,空间相近则类

    2024年02月09日
    浏览(41)
  • 用K近邻(KNN)机器学习算法进行股票走势预测-Python

    K近邻(KNN,K-Nearest Neighbors)是最简单的机器学习算法之一,可用于回归和分类。KNN是一种“惰性”学习算法,从技术上讲,它不训练模型来进行预测。K近邻的逻辑是,假设有一个观测值,这个观测值被预测属于离它k个最近观测值中所占比例最大的那一个类。KNN方法是直接尝试

    2024年02月04日
    浏览(49)
  • 【机器学习算法】KNN鸢尾花种类预测案例和特征预处理。全md文档笔记(已分享,附代码)

    本系列文章md笔记(已分享)主要讨论机器学习算法相关知识。机器学习算法文章笔记以算法、案例为驱动的学习,伴随浅显易懂的数学知识,让大家掌握机器学习常见算法原理,应用Scikit-learn实现机器学习算法的应用,结合场景解决实际问题。包括K-近邻算法,线性回归,逻

    2024年02月19日
    浏览(44)
  • 2.机器学习-K最近邻(k-Nearest Neighbor,KNN)分类算法原理讲解

    🏘️🏘️个人主页:以山河作礼。 🎖️🎖️: Python领域新星创作者,CSDN实力新星认证,CSDN内容合伙人,阿里云社区专家博主,新星计划导师,在职数据分析师。 🎉🎉 免费学习专栏 : 1. 《Python基础入门》——0基础入门 2.《Python网络爬虫》——从入门到精通 3.《Web全栈开

    2024年01月23日
    浏览(49)
  • 基于蝗虫优化的KNN分类特征选择算法的matlab仿真

    目录 1.程序功能描述 2.测试软件版本以及运行结果展示 3.核心程序 4.本算法原理 4.1 KNN分类器基本原理 4.2 特征选择的重要性 4.3 蝗虫优化算法(GOA) 5.完整程序        基于蝗虫优化的KNN分类特征选择算法。使用蝗虫优化算法,选择最佳的特征,进行KNN分类,从而提高KNN分类

    2024年01月25日
    浏览(41)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包