Импорт и использование KNeighborsClassifier из sklearn.neighbors — примеры и инструкция

Машинное обучение – это невероятно мощный инструмент, который может помочь в решении множества задач. Один из основных подходов в машинном обучении – это метод ближайших соседей.

Один из самых популярных классификаторов, основанных на методе ближайших соседей, это KNeighborsClassifier из библиотеки sklearn.neighbors. KNeighborsClassifier является простым и эффективным алгоритмом, который основан на идее «близость примеров».

В этой статье мы рассмотрим, как использовать и импортировать KNeighborsClassifier из библиотеки sklearn.neighbors. Мы ознакомимся с основными принципами работы этого классификатора, изучим его интерфейс и рассмотрим примеры кода. Знание этого классификатора позволит вам эффективно использовать его для решения различных задач классификации.

Использование KNeighborsClassifier из sklearn.neighbors

Для использования KNeighborsClassifier сначала необходимо организовать обучающий набор данных, состоящий из признаков (input) и соответствующих меток классов (target). Затем создается экземпляр классификатора с заданием необходимых параметров.

Пример использования KNeighborsClassifier:

from sklearn.neighbors import KNeighborsClassifier
import numpy as np
# Создание обучающего набора данных
X_train = np.array([[1, 2], [3, 4], [5, 6]])
y_train = np.array([0, 1, 0])
# Создание экземпляра классификатора
knn = KNeighborsClassifier(n_neighbors=3)
# Обучение классификатора
knn.fit(X_train, y_train)
# Предсказание метки класса для новых данных
X_test = np.array([[7, 8], [9, 10]])
y_pred = knn.predict(X_test)

В данном примере создается обучающий набор данных, состоящий из трех образцов с двумя признаками и соответствующими метками классов. Затем создается экземпляр классификатора knn с параметром n_neighbors=3, который указывает на количество ближайших соседей, используемых для классификации. Затем классификатор обучается на обучающем наборе данных с помощью метода fit. Наконец, классификатор предсказывает метки классов для новых данных из X_test с помощью метода predict.

Примеры и инструкция

Ниже приведены примеры использования и инструкция по импорту KNeighborsClassifier из модуля sklearn.neighbors.

1. Импортирование модуля:

from sklearn.neighbors import KNeighborsClassifier

2. Создание экземпляра классификатора:

classifier = KNeighborsClassifier(n_neighbors=3)

3. Обучение классификатора на обучающих данных:

classifier.fit(X_train, y_train)

4. Прогнозирование класса для новых данных:

y_pred = classifier.predict(X_test)

5. Оценка точности классификатора:

accuracy = classifier.score(X_test, y_test)

6. Получение матрицы ошибок:

confusion_matrix = confusion_matrix(y_test, y_pred)

print("Accuracy:", accuracy)
print("Confusion Matrix:", confusion_matrix)

Таблица ниже представляет пример использования классификатора KNeighborsClassifier: