https://www.cnblogs.com/HolyShine/p/10819831.html
#sklearn.datasetsからはload_irisインポート インポートのNPとしてnumpyのを#科学计算基础包 から scipyのダウンロードインポート疎 インポートPLTのようmatplotlib.pyplot インポートPDとしてパンダ から IPython.display インポート 表示 インポートSYS インポートmatplotlibのを インポートsklearn から sklearn.datasets インポートload_iris から sklearn .model_selectionの輸入train_test_split から sklearn.neighbors インポートKNeighborsClassifier #np.array = X([1,2,3]、[4,5,6]]) #の印刷( "X:\ N- {}"形式(X)) #のアイnp.eye =(4) #の印刷( "アレイnumpyの:\ N- {}"形式(アイ)) #10と#10の間のX = np.linspace(-10,10,100)は列番号、100の総数発生 ##の正弦波を二番目の配列を作成する機能 #Y = np.sinを(X) #1 ?plt.plot(X、Y、マーカー= "X")NO#ディスプレイ、なぜ #PANDAS #データ= { '名前': "ジョン" 、 "アンナ"、 "ピーター"、 "リンダ"]、 # '場所':[ "ニューヨーク"、 "パリ"、 "ベルリン"、 "ロンドン"]、 # '年齢':[24,13,53、 33]である # } #1 data_pandas = PD。データフレーム(データ) #の表示(data_pandas) #1 #ディスプレイ(data_pandas [data_pandas.Age> 30]) #1 プリント( 'Pythonのバージョン:{}'形式(ここで、sys.version)。) #1 プリント( 'パンダバージョン:{}'フォーマット(PD .__ version__)) #1 プリント( 'matplotlibのバージョン:{}'形式(matplotlibの.__ version__))。 #の印刷( 'matplotlibのバージョン:{}'形式(matplotlibの.__ version__)) #1 :フォーマット(sklearn。プリント( '{}バージョンscikit学習'。 __version__)) iris_dataset = load_iris() #の印刷( "iris_datasetのキー:\ N {}"形式(iris_dataset.keys())) X_train、X_test、y_train、y_test = train_test_split( iris_dataset [ ' データ' ]、iris_dataset [ " ターゲット' ]、random_state = 0 ) #の印刷( "X_trainシャープ:{}"形式(X_train.shape)) #の印刷( "y_train形状:{}"形式(y_train.shape)) # # # iris_dtaframe = PD。データフレーム(X_train、列= iris_dataset.feature_names) #GRR = pd.scatter_matrix(iris_dtaframe、C = y_train、figsize =(15,15)、マーカー= 'O'、hist_kwds = { 'ビン':20}、S = 60 、アルファ= 0.8、CMAP = mglearn.cm3) #1.7.4构建第一个模型:K邻近算法 KNN = KNeighborsClassifier(N_NEIGHBORS = 1 ) knn.fit(X_train、y_train) #うち KNeighborsClassifier(アルゴリズム= ' 自動車'、leaf_size = 30、メトリック= "ミンコフスキー'metric_params =なし、n_jobs = 1、N_NEIGHBORS = 1、p = 2、重み= ' 均一' ) X_new = np.array([5,2.9,1,0.2 ]]) プリント(「X_new.shape:{ } " .format(X_new.shape)) 予測 = knn.predict(X_new) プリント(" 予測:{} " .format(予測)) プリント(" 予測されたターゲット名:{} 」 .format(iris_dataset [ ' target_names ' ] [予測])) y_pred = knn.predict(X_test) プリント("テストセットの予測:\ N {} " .format(y_pred)) プリント(" テストセットのスコア:{:. 2F} " .format(np.mean(y_pred == y_test))) プリント(" テストセットのスコア:{ :.2f} " .format(knn.score(X_test、y_test)))