sklearn knn例子

缺乏、安全感 2022-05-29 13:23 174阅读 0赞

# -*- coding: utf-8 -*-
    from __future__ import print_function
    from sklearn import datasets
    from sklearn.cross_validation import train_test_split
    from sklearn.neighbors import KNeighborsClassifier
    
    data_x=[]
    data_y=[]
    with open('data.txt') as txt:
        arrayContext = txt.readlines()
        for context in arrayContext:
            context = context.split()
            for num in range(len(context)):
                context[num] = context[num].replace('A' + str(num + 1), '')
            data_x.append(context[1:19])
            data_y.append(context[-1])
    
    x_train,x_test,y_train,y_test=train_test_split(data_x,data_y,test_size=0.3)
    
    knn = KNeighborsClassifier()
    knn.fit(x_train, y_train)
    print(knn.predict(x_test))
    print(y_test)

运行结果：

runfile('C:/Users/钟琅/Desktop/t/untitled.py', wdir='C:/Users/钟琅/Desktop/t')
    ['2' '1' '1' '1' '2' '1' '1' '2' '1' '1' '1' '1' '2' '1' '1' '2' '1' '1'
     '1' '1' '1' '2' '1' '1' '1' '1' '1' '1' '1' '2' '1' '1' '1' '1' '1' '1'
     '2' '1' '2' '1' '1' '2' '1' '1' '1' '1' '1' '2' '1' '1' '1' '1' '1' '1'
     '1' '1' '1' '1' '1' '1' '1' '1' '1' '2' '1' '1' '1' '1' '1' '1' '1' '1'
     '2' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1'
     '2' '1' '2' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1'
     '1' '1' '1' '1' '1' '2' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '2' '1'
     '1' '1' '2' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '2' '1' '1' '1' '1'
     '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '2' '1'
     '1' '1' '2' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '2' '1' '1'
     '1' '1' '2' '1' '1' '2' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1'
     '1' '1' '1' '2' '2' '2' '1' '1' '1' '1' '1' '1' '1' '2' '1' '1' '1' '1'
     '1' '2' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '2' '1'
     '1' '1' '2' '1' '1' '1' '1' '1' '1' '1' '1' '2' '1' '1' '1' '1' '1' '2'
     '1' '2' '1' '1' '1' '1' '1' '1' '1' '2' '1' '1' '2' '1' '2' '1' '1' '1'
     '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '1' '2'
     '1' '1' '2' '1' '1' '1' '1' '1' '2' '1' '1' '1']
    ['1', '1', '1', '2', '1', '1', '1', '2', '1', '1', '2', '2', '2', '1', '1', '2', '1', '2', '2', '2', '2', '1', '1', '1', '1', '1', '2', '1', '1', '1', '2', '1', '1', '1', '1', '2', '2', '2', '1', '2', '1', '1', '1', '1', '1', '2', '1', '2', '1', '1', '2', '1', '1', '1', '1', '1', '1', '1', '1', '1', '1', '2', '1', '1', '1', '1', '2', '2', '1', '2', '2', '1', '1', '1', '1', '1', '1', '1', '2', '1', '1', '1', '1', '1', '2', '2', '2', '1', '1', '2', '1', '2', '2', '1', '1', '1', '1', '1', '1', '1', '1', '1', '1', '2', '1', '1', '1', '1', '1', '1', '2', '1', '1', '2', '2', '2', '1', '1', '1', '1', '1', '1', '1', '2', '2', '1', '1', '2', '1', '1', '1', '1', '1', '1', '1', '1', '2', '1', '1', '1', '1', '1', '2', '1', '1', '1', '1', '1', '2', '1', '1', '1', '1', '1', '1', '1', '1', '1', '1', '1', '2', '1', '2', '2', '1', '1', '1', '2', '2', '1', '1', '2', '2', '1', '2', '1', '1', '2', '1', '1', '1', '1', '1', '1', '1', '1', '1', '1', '1', '1', '1', '1', '1', '1', '1', '2', '1', '2', '2', '1', '2', '1', '2', '2', '2', '1', '1', '1', '2', '2', '1', '1', '1', '1', '1', '2', '1', '1', '1', '1', '1', '1', '1', '1', '1', '1', '1', '1', '1', '2', '2', '1', '1', '2', '1', '1', '1', '1', '1', '1', '1', '1', '1', '2', '1', '1', '1', '1', '2', '1', '1', '1', '2', '1', '2', '1', '1', '1', '2', '2', '1', '1', '2', '1', '1', '2', '1', '1', '2', '2', '1', '1', '1', '1', '2', '1', '1', '1', '1', '1', '2', '1', '1', '1', '1', '1', '2', '1', '1', '1', '2', '2', '1', '2', '1', '1', '1', '1', '1', '2']