机器学习之实现、建模、训练、预测
首先获取训练的数据，参考iris数据加载
from sklearn import datasets iris = datasets.load_iris() x=iris.data y=iris.target
使用k近邻算法（knn）
先调用knn算法模块
from sklearn.neighbors import KNeighborsClassifier
创建一个模型实例，先命名为knn，先设k为3
knn=KNeighborsClassifier(n_neighbors=3)
让knn模型学习训练
knn.fit(x,y)
上面这行代码等于knn=knn.fit(x,y)
也可以把他赋值给任意变量，学习后的模型是同一个模型，只不过名称不一样。
让学习训练后的模型开始预测
因为之前iris.data数据的数组里的行数有4个，所以一行的数据也要输入4个，随便输个
knn.predict([[1,2,3,4]])
array([1])
预测结果是1
换个模型，让k=7，接受同样的学习
knn_7=KNeighborsClassifier(n_neighbors=7) knn_7.fit(x,y)
可以同时输入两个或多个数据进行预测
many=[[1,2,3,4],[4.6,3.4,1.4,0.3]] knn_7.predict(many)
array([1, 0])
print(knn_7)
KNeighborsClassifier(n_neighbors=7)
可以看到k=7，也确认了之前的模型
kii=KNeighborsClassifier() print(kii.n_neighbors)
5
k没有赋值,说明k的默认值是5
上一篇：
通过多线程提高代码的执行效率例子
下一篇：
多线程之线程控制与互斥