Sklearn中的make |
您所在的位置：网站首页 › circle标签什么意思 › Sklearn中的make |
Sklearn中的make
|
关于make_circles方法可查看： Python 生成数据 make_circles 和 make_moons_游稚的博客-CSDN博客_make moon python 分析：使用KNN分类 ①设定K值，代表需要得出距离测试样本最近的K个训练样本。 ②生成训练样本和测试样本，并做区分性的散点图。（可视化） ③计算测试样本到所有训练样本的距离（采用欧式距离），并对距离进行排序，取前K个。 ④使这K个训练样本的可视化与测试样本相同，达到分辨的效果。 ⑤选取这K个样本中数量最多的标志作为该训练样本的标志。 代码： import random import numpy as np import pandas as pd import matplotlib.pyplot as plt from sklearn.datasets import make_circles #Sklearn中的make_circles方法生成训练样本 X_circle, Y_circle = make_circles(n_samples=400, noise=0.1, factor=0.1) #随机生成测试样本 n=np.random.randint(0,10,size=1) ran=random.random() x=pow(-1,n)*ran n=np.random.randint(0,10,size=1) ran=random.random() y=pow(-1,n)*ran print(x,y) #第一幅图 plt.subplot(1,2,1) plt.scatter(X_circle[:, 0], X_circle[:, 1], s=100, marker="o", edgecolors='m', c=Y_circle) # c=Y_circle划分两种标签数据的颜色 plt.title('data by make_circles()') plt.scatter(x,y, s=300, marker="*", edgecolors='black', c='red') #第二幅图 plt.subplot(1,2,2) plt.scatter(X_circle[:, 0], X_circle[:, 1], s=100, marker="o", edgecolors='m', c=Y_circle) plt.scatter(x,y, s=300, marker="*", edgecolors='black', c='red') plt.title('KNN(k=15)') #转化为DataFrame格式 data={'x坐标':X_circle[:,0],'y坐标':X_circle[:,1],} olddata=pd.DataFrame(data,dtype='double') #计算欧式距离,距离排序 new_x_y=[float(x),float(y)] distance=(((olddata-new_x_y)**2).sum(1))**0.5#得到((x1-x2)^2+(y1-y2)^2)^0.5 #print(distance) disdata=pd.DataFrame({'x坐标':X_circle[:,0],'y坐标':X_circle[:,1],'距离':distance},dtype='double').sort_values(by='距离') #print((disdata)) #距离最短前k个 k=15 plt.scatter(disdata.iloc[:k,0],disdata.iloc[:k,1], s=100, marker="o",edgecolors='black', c='red') plt.show()效果图：
|
【本文地址】
今日新闻 |
推荐新闻 |