机器学习：KNN算法实现对鸾尾花的分类

使用knn算法对鸢尾花数据进行分类，分类过程如下：

（1）将鸾尾花数据分为训练集和测试集，用来读取数据。
（2）处理训练集数据，将数据重拍，变量与标签分离。
（3）标准化语法（归一化：0~1）
（4）使用sklearn库中的KNN模块训练，再使用测试集数据进行测试。
（5）预测结果和概率。

1.训练集和测试集

首先需要引入pandas库

import pandas as pd 

接着设置训练集和测试集并插入数据

train_data:训练集
test_data:测试集
"""# numpy：数组形式来读取数据，pytorch：numpy。pandas：已表格的形式来读取数据，
train_data = pd.read_excel("鸢尾花训练数据.xlsx")
test_data = pd.read_excel("鸢尾花测试数据.xlsx")

2.处理训练集数据，将数据重拍，变量与标签分离

train_X = train_data[['萼片长(cm)', '萼片宽(cm)', '花瓣长(cm)', '花瓣宽(cm)']]
train_y = train_data['类型_num']

3.标准化语法（归一化：0~1）

from sklearn.preprocessing import scale

对输入的数据进行减去均值并除以标准差的操作，从而将数据转换为均值为0、标准差为1的分布。这个操作可以使得不同特征之间的尺度一致，避免因为某些特征的尺度过大或者过小而影响模型的训练效果。

4.使用sklearn库中的KNN模块训练，再使用测试集数据进行测试

from sklearn.neighbors import KNeighborsClassifier
#【1~10】
knn = KNeighborsClassifier(n_neighbors=2)   #
knn.fit(data, train_y)#到这里训练就已经结束。

score= knn.score(data, train_y)#最总的分。

train_predicted = knn.predict(data)

这里的k值是对准确率有影响的，我们可以带入不同的k

knn = KNeighborsClassifier(n_neighbors=1)   
knn = KNeighborsClassifier(n_neighbors=2)   
knn = KNeighborsClassifier(n_neighbors=3)   
knn = KNeighborsClassifier(n_neighbors=4)   
knn = KNeighborsClassifier(n_neighbors=5)   
knn = KNeighborsClassifier(n_neighbors=6)  
knn = KNeighborsClassifier(n_neighbors=7)   
knn = KNeighborsClassifier(n_neighbors=8)   
knn = KNeighborsClassifier(n_neighbors=9)   
knn = KNeighborsClassifier(n_neighbors=10)   

使用测试集数据进行测试

test_X = test_data[['萼片长(cm)', '萼片宽(cm)', '花瓣长(cm)', '花瓣宽(cm)']]
test_y = test_data[['类型_num']]

5.预测结果和概率

#预测结果
test_predicted = knn.predict(data_test)
#预测概率
test_predicted_pr = knn.predict_proba(data_test)

算法总结：

优点：
1.简单，易于实现，易于理解，无需练习；
2.适合对稀有事件进行分类；
3.对异常值不敏感。
缺点：
1.样本容量比较大时，计算时间很长；
2.不均衡样本效果较差。