• 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
• 🍖 原作者：K同学啊

概念：
在第L4周：机器学习-K-邻近算法模型（KNN）-CSDN博客中学习了KNN的基本概念，本次主要加深印象，用鸢尾花数据集来进行KNN分类预测
具体实现：
（一）环境：
语言环境：Python 3.10
编 译 器: PyCharm
**（二）具体步骤：

1. 导入数据:

from sklearn import datasets  
from sklearn.neighbors import KNeighborsClassifier  
from sklearn.model_selection import train_test_split  # 导入鸢尾花数据集  
iris = datasets.load_iris()  
print(iris)

2.分析一下数据庥
从上面的图可以看到，iris分为了“data”和“target”两个array，分别对应的是data-特征数据，target-标签数据.那我们分别取出来：

X = iris.data       # 特征数据  
y = iris.target     # 标签数据  
print("特征数据：", X)  
print("标签数据：", y)

那么特征数据中的第一行四个值代表什么呢，查了一下：
第1个：Sepal.Length（花萼长度），单位是cm
第2个：Sepal.Width（花萼宽度），单位是cm
第3个：Petal.Length（花瓣长度），单位是cm
第4个：Petal.Width（花瓣宽度），单位是cm;
标签数据中的0，1，2又代表什么呢？代表鸢尾花的种类：
0：Iris Setosa（山鸢尾）
1：Iris Versicolour（杂色鸢尾）
2：Iris Virginica（维吉尼亚鸢尾）
所以整个数据集的意思是通过4个特征值来推断属于哪一种鸢尾花。
3.切分数据集
把数据集做切分，按8：2比例切，80%用来训练，20%用来预测

# 按8：2进行数据切分  
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

4.模型训练

# 模型训练  
clf = KNeighborsClassifier()  
clf.fit(X_train, y_train)

5.结果预测

# 预测  
X_pred = clf.predict(X_test)  
print("X_test长度:", len(X_test))  
print("X_Pred长度:", len(X_pred))  
print("预测结果:", X_pred)

可以看到，30个特征值预测了30个结果。接下来看看30个结果的准确率有多高（就是了y_test进行对比):

# 预测准确率  
acc = sum(X_pred == y_test) / X_pred.shape[0]  
print("预测的准确率：%.3f" % acc)

解释一下:X_pred.shape[0] 就是结果总数30. X_pred.shape的结果是（30， 1），那么shpae[0]就是30.
**6. 模型评分

# 模型评分  
scoreK = clf.score(X_test, y_test)  
print("模型评分:", scoreK)