Á¤¼ºÈÆ
    knn
knn.py [1 KB]   knn.png [1 KB]  




1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
from sklearn.datasets import load_iris
iris = load_iris()
 
from sklearn.model_selection import train_test_split
 
# ÀԷ°ú Ãâ·ÂÀ» ¼³Á¤ÇÑ´Ù. 
= iris.data
= iris.target
 
# Àüü µ¥ÀÌÅ͸¦ ÇнÀ µ¥ÀÌÅÍ¿Í Å×½ºÆ® µ¥ÀÌÅÍ ºñÀ² (80:20)À¸·Î ºÐÇÒÇÑ´Ù. 
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.2,random_state=4)
print(X_train.shape)
 
from sklearn.neighbors import KNeighborsClassifier
from sklearn import metrics
 
# ÇнÀ ´Ü°è
knn = KNeighborsClassifier(n_neighbors=6)
knn.fit(X_train, y_train)
 
# Å×½ºÆ® ´Ü°è
y_pred = knn.predict(X_test)
 
# Á¤È®µµ Á¡¼ö Ãâ·Â
scores = metrics.accuracy_score(y_test, y_pred)
print(scores)
cs

  µî·ÏÀÏ : 2020-08-02 [02:42] Á¶È¸ : 330 ´Ù¿î : 129   
 
¡â ÀÌÀü±Ûknn2
¡ä ´ÙÀ½±Û(10Àå) ¼±Çü ȸ±Í
ÀΰøÁö´É ½Ç½À
¹øÈ£ ¨Ï Á¦ ¸ñ À̸§
ÀΰøÁö´É (õÀα¹ Àú) ÄÚµå
¨ÕÆÄÀÌÅäÄ¡ ù°ÉÀ½ (ÃÖ°ÇÈ£ Àú) ÄÚµå
19    ¦¦❷ perceptron1 Á¤¼ºÈÆ
18 ¦¦❶ (11Àå) kNN ¾Ë°í¸®Áò°ú K-means ¾Ë°í¸®Áò Á¤¼ºÈÆ
17    ¦¦❷ lab1 Á¤¼ºÈÆ
16    ¦¦❷ kmeans2 Á¤¼ºÈÆ
15    ¦¦❷ kmeans1 Á¤¼ºÈÆ
14    ¦¦❷ knn2 Á¤¼ºÈÆ
13    ¦¦❷ knn Á¤¼ºÈÆ
12 ¦¦❶ (10Àå) ¼±Çü ȸ±Í Á¤¼ºÈÆ
11    ¦¦❷ linear_reg2 Á¤¼ºÈÆ
10    ¦¦❷ lab2 Á¤¼ºÈÆ
9    ¦¦❷ lab1 Á¤¼ºÈÆ
8 ¦¦❶ (8Àå) À¯ÀüÀÚ ¾Ë°í¸®Áò Á¤¼ºÈÆ
7    ¦¦❷ GA Á¤¼ºÈÆ
6    ¦¦❷ generic Á¤¼ºÈÆ
5 ¦¦❶ (3Àå) °ÔÀÓÆ®¸® Á¤¼ºÈÆ

[1][2][3][4][5][6]