1

1

训练步骤

模型训练

使用scikit-learn建模的四步骤

1. 分类问题场景：垃圾邮件、三类或两类以下的品种的分类
   

2. 分类算法：K近邻、逻辑回归、决策树、朴素贝叶斯

3. 调用KNN模型：from sklearn.neighbors import KNeighborsclassifier

4. 创建一个KNN模型实例knn = KNeighborsClassifier(n_neighbors=1)

5. 模型训练（学习）：knn.fit(X,y)

6. 模型预测：knn.predict([[1,2,3,4]])

)

使用scikit-learn建模四步骤

1. 调用需要使用的模型类

2. 模型初始化，创建一个模型实例

3. 模型训练

4. 模型预测
   

给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的K个实例，这K个实例的多数属于某个类，就把该输入实例分类到这个类中。

分类： 根据数据集目标的特征或者属性，划分到已有类别中

常用的分类算法：K近邻（KNN），逻辑回归、决策树、朴素贝叶斯

机器学习常用的分类算法：KNN、逻辑回归、决策树、朴素贝叶斯。

KNN..

sklearn建模四步骤

调用需要使用的模型类

模型初始化（创建一个实例）

模型训练

模型预测

from sklearn import datasets

iris = datasets.load_iris()

X = iris.data

y = iris.target

print(X.shape)

print(y.shape)

knn_1 = KNeighborsClassifier(n_neighbors=1)

knn_1.fit(X,y)

 knn_1.predict([[1,2,3,4]])

KNN 举例，说明如何分类