人工智能基础与应用 第4章 机器学习算法.pptVIP

4.4 使用第三方模块实现KNN 本节通过Scikit-learn库实现使用KNN算法演示第三方库。 首先安装Scikit-learn库，在交互模式（联网状态）下输入： pip install scikit-learn==0.20.2 安装完成后，在交互模式下输入“import sklearn”，查看是否报错，不报错则表示安装成功，如图4-20所示。 接下来绘制KNN决策边界，在machine_learning项目下新建Decision_boundary.py。 4.4 使用第三方模块实现KNN 1．导入必要的库 from sklearn.neighbors import KNeighborsClassifier from matplotlib.colors import ListedColormap import matplotlib.pyplot as plt import numpy as np class KNNDeal: def __init__(self): self.__module__ = 这是绘制KNN的决策边界代码 self.raw_data_X = [[3.85, 3.05], [1.57, 2.63], [4.28, 4.42], [5.68, 3.64], [1.94, 3.68], [2.49, 2.66], [0.49, 3.66], [0.12, 1.12], [2.25, 2.04], [0.23, 0.54], [1.33, 1.49], [2.35, 0.09], [1.46, 1.63], [3.66, 3.93], [5.11, 0.39], [5.69, 1.14], [4.03, 2.49], [4.92, 1.62], [5.26, 2.05], [4.26, 2.05], [5.84, 1.31]] self.raw_data_Y = [0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2]; self.x_train = np.array(self.raw_data_X) self.y_train = np.array(self.raw_data_Y) 2．创建KNN类 4.4 使用第三方模块实现KNN 3．在类内新增knn_predict()函数 # 转换数据类型并使用KNN网络预测 def knn_predict(self, model, axis): x0, x1 = np.meshgrid( np.linspace(axis[0], axis[1], int((axis[1] - axis[0]) * 100)).reshape(-1, 1), np.linspace(axis[2], axis[3], int((axis[3] - axis[2]) * 100)).reshape(-1, 1), ) X_new = np.c_[x0.ravel(), x1.ravel()] y_predict = model.predict(X_new) zz = y_predict.reshape(x0.shape) custom_cmap = ListedColormap([#EF9A9A, #FFF59D, #90CAF9]) plt.contourf(x0, x1, zz, linewidth=5, cmap=custom_cmap) 4.4 使用第三方模块实现KNN 4．在类内新增display_decision_boundary()函数 def display_decision_boundary(self, n_neighbors): knn_clf_1 = KNeighborsClassifier(n_neighbors) knn_clf_1.fit(self.x_train, self.y_train) self.knn_predict(knn_clf_1, axis=[0, 6, 0