广东专业做网站排名哪家好,宁城网站建设公司,如何启动wordpress,临沂科技网站建设这是Python程序开发系列原创文章#xff0c;我的第198篇原创文章。 一、问题 对于表格数据#xff0c;一套完整的机器学习建模流程如下#xff1a; 针对不同的数据集#xff0c;有些步骤不适用即不需要做#xff0c;其中橘红色框为必要步骤#xff0c;由于数据质量较高我的第198篇原创文章。 一、问题 对于表格数据一套完整的机器学习建模流程如下 针对不同的数据集有些步骤不适用即不需要做其中橘红色框为必要步骤由于数据质量较高本文有些步骤跳过了跳过的步骤将单独出文章总结同时欢迎大家关注翻看我之前的一些相关文章。 一文彻底搞懂机器学习中的归一化与反归一化问题 【Python机器学习系列】一文彻底搞懂机器学习中表格数据的输入形式理论源码 【Python特征工程系列】利用随机森林模型分析特征重要性源码 【Python特征工程系列】8步教你用决策树模型分析特征重要性源码 【Python机器学习系列】拟合和回归傻傻分不清一文带你彻底搞懂它 【Python机器学习系列】建立决策树模型预测心脏疾病完整实现过程 【Python机器学习系列】建立支持向量机模型预测心脏疾病完整实现过程 【Python机器学习系列】建立逻辑回归模型预测心脏疾病完整实现过程 K最近邻K-Nearest NeighborsKNN是一种基本的监督学习算法用于分类和回归问题。KNN算法基于实例之间的相似性度量通过将新样本与训练集中的最近邻样本进行比较来进行预测或分类。KNN算法的基本思想是如果一个样本在特征空间中的K个最近邻中的大多数属于某个类别那么该样本很可能属于该类别。KNN算法不需要显式的训练过程而是在预测阶段对每个新样本进行计算和比较。 KNN算法的关键参数是K值即选择的最近邻样本的数量。较小的K值会使模型更加敏感容易受到噪声的影响而较大的K值会使模型更加平滑但可能忽略了样本内部的细节。KNN算法的优点包括简单易懂、不需要训练过程即懒惰学习和对于非线性问题具有较好的适应性。然而KNN算法的缺点是计算复杂度高对于大型数据集和高维数据效果可能不佳并且对于不平衡数据集和噪声敏感。在实际应用中可以通过交叉验证或网格搜索等技术来选择合适的K值并对数据进行预处理如特征缩放以提高算法的性能。scikit-learn是一个流行的Python机器学习库提供了各种机器学习算法的实现包括K近邻KNN算法。在scikit-learn中KNN算法的实现主要集中在sklearn.neighbors模块中。 本文将实现基于心脏疾病数据集建立KNN模型对心脏疾病患者进行分类预测的完整过程。 二、实现过程 导入必要的库 import pandas as pd import matplotlib.pyplot as plt from sklearn.utils import shuffle from sklearn.model_selection import train_test_split from sklearn.neighbors import KNeighborsClassifier from sklearn.metrics import accuracy_score from sklearn.metrics import roc_curve from sklearn.metrics import auc from sklearn.metrics import confusion_matrix from sklearn.metrics import classification_report 1、准备数据 data pd.read_csv(rDataset.csv) df pd.DataFrame(data) df 数据基本信息 print(df.head()) print(df.info()) print(df.shape) print(df.columns) print(df.dtypes) cat_cols [col for col in df.columns if df[col].dtype object] # 类别型变量名 num_cols [col for col in df.columns if df[col].dtype ! object] # 数值型变量名 2、提取特征变量和目标变量 target target features df.columns.drop(target) print(data[target].value_counts()) # 顺便查看一下样本是否平衡 3、数据集划分 df shuffle(df) X_train, X_test, y_train, y_test train_test_split(df[features], df[target], test_size0.2, random_state0) 4、模型的构建与训练 # 模型的构建与训练 training_accuracy [] test_accuracy [] # try n_neighbors from 1 to 10 neighbors_settings range(1, 11) for n_neighbors in neighbors_settings:knn KNeighborsClassifier(n_neighborsn_neighbors) knn.fit(X_train, y_train) training_accuracy.append(knn.score(X_train, y_train)) test_accuracy.append(knn.score(X_test, y_test)) plt.figure() plt.plot(neighbors_settings, training_accuracy, labeltraining accuracy) plt.plot(neighbors_settings, test_accuracy, labeltest accuracy) plt.ylabel(Accuracy) plt.xlabel(n_neighbors) plt.legend()model KNeighborsClassifier(n_neighbors5) model.fit(X_train, y_train) 选择最佳的K5 参数详解 from sklearn.neighbors import KNeighborsClassifier KNeighborsClassifier(n_neighbors 5,weightsuniform,algorithm ,leaf_size 30,p 2,metric minkowski,metric_params None,n_jobs None) - n_neighbors这个值就是指 KNN 中的 “K”了。前面说到过通过调整 K 值算法会有不同的效果。 - weights权重最普遍的 KNN 算法无论距离如何权重都一样但有时候我们想搞点特殊化比如距离更近的点让它更加重要。这时候就需要 weight 这个参数了这个参数有三个可选参数的值决定了如何分配权重。参数选项如下        uniform不管远近权重都一样就是最普通的 KNN 算法的形式。        distance权重和距离成反比距离预测目标越近具有越高的权重。        自定义函数自定义一个函数根据输入的坐标值返回对应的权重达到自定义权重的目的。 - algorithm在 sklearn 中要构建 KNN 模型有三种构建方式1. 暴力法就是直接计算距离存储比较的那种放松。2. 使用 kd 树构建 KNN 模型 3. 使用球树构建。其中暴力法适合数据较小的方式否则效率会比较低。如果数据量比较大一般会选择用 KD 树构建 KNN 模型而当 KD 树也比较慢的时候则可以试试球树来构建 KNN。参数选项如下 • brute 蛮力实现 • kd_treeKD 树实现 KNN • ball_tree球树实现 KNN • auto默认参数自动选择合适的方法构建模型 不过当数据较小或比较稀疏时无论选择哪个最后都会使用 brute - leaf_size如果是选择蛮力实现那么这个值是可以忽略的当使用KD树或球树它就是是停止建子树的叶子节点数量的阈值。默认30但如果数据量增多这个参数需要增大否则速度过慢不说还容易过拟合。 - p和metric结合使用的当metric参数是minkowski的时候p1为曼哈顿距离 p2为欧式距离。默认为p2。 - metric指定距离度量方法一般都是使用欧式距离。 • euclidean 欧式距离 • manhattan曼哈顿距离 • chebyshev切比雪夫距离 • minkowski闵可夫斯基距离默认参数 - n_jobs指定多少个CPU进行运算默认是-1也就是全部都算。 5、模型的推理与评价 y_pred model.predict(X_test) y_scores model.predict_proba(X_test) acc accuracy_score(y_test, y_pred) # 准确率acc cm confusion_matrix(y_test, y_pred) # 混淆矩阵 cr classification_report(y_test, y_pred) # 分类报告 fpr, tpr, thresholds roc_curve(y_test, y_scores[:, 1], pos_label1) # 计算ROC曲线和AUC值,绘制ROC曲线 roc_auc auc(fpr, tpr) plt.figure() plt.plot(fpr, tpr, colordarkorange, lw2, labelROC curve (area %0.2f) % roc_auc) plt.plot([0, 1], [0, 1], colornavy, lw2, linestyle--) plt.xlim([0.0, 1.0]) plt.ylim([0.0, 1.05]) plt.xlabel(False Positive Rate) plt.ylabel(True Positive Rate) plt.title(Receiver Operating Characteristic) plt.legend(loclower right) plt.show() cm和cr ROC 三、小结 本文利用scikit-learn一个常用的机器学习库实现了基于心脏疾病数据集建立KNN模型对心脏疾病患者进行分类预测的完整过程。 作者简介 读研期间发表6篇SCI数据挖掘相关论文现在某研究院从事数据算法相关科研工作结合自身科研实践经历不定期分享关于Python、机器学习、深度学习、人工智能系列基础知识与应用案例。致力于只做原创以最简单的方式理解和学习关注我一起交流成长。需要数据集和源码的小伙伴可以关注底部公众号添加作者微信