使用python+sklearn实现最近质心分类

机器学习算法与知识图谱

机器学习算法 | 深度学习算法 | 知识图谱 | 计算机视觉 | 自然语言处理 | 学术咨询 | 机器学习资源干货 | 机器学习技术杂谈 | 机器学习系列教程

265篇原创内容

公众号

一个最近质心分类的用法示例。它将绘制每个类别的决策边界。输出：

None 0.8133333333333334
0.2 0.82

print(__doc__)

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.colors import ListedColormap
from sklearn import datasets
from sklearn.neighbors import NearestCentroid

n_neighbors = 15

# 导入一些数据进行训练
iris = datasets.load_iris()
# 我们仅采用前两个特征。 
# 我们可以通过使用二维数据集来避免这种丑陋的切片(ugly slicing)
X = iris.data[:, :2]
y = iris.target

h = .02  # 网格中的步长

# 创建颜色图(maps)
cmap_light = ListedColormap(['orange', 'cyan', 'cornflowerblue'])
cmap_bold = ListedColormap(['darkorange', 'c', 'darkblue'])

for shrinkage in [None, .2]:
    # 我们创建邻居分类器(Neighbours Classifier)的实例并用它来拟合数据。
    clf = NearestCentroid(shrink_threshold=shrinkage)
    clf.fit(X, y)
    y_pred = clf.predict(X)
    print(shrinkage, np.mean(y == y_pred))
    # 绘制决策边界。 
    # 为此，我们将为网格[x_min，x_max] x [y_min，y_max]中的每个点分配颜色。
    x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
    y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
    xx, yy = np.meshgrid(np.arange(x_min, x_max, h),
                         np.arange(y_min, y_max, h))
    Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])

    # 将结果放入颜色图
    Z = Z.reshape(xx.shape)
    plt.figure()
    plt.pcolormesh(xx, yy, Z, cmap=cmap_light)

    # 绘制训练数据点
    plt.scatter(X[:, 0], X[:, 1], c=y, cmap=cmap_bold,
                edgecolor='k', s=20)
    plt.title("3-Class classification (shrink_threshold=%r)"
              % shrinkage)
    plt.axis('tight')

plt.show()

脚本的总运行时间：（0分钟0.690秒）

估计的内存使用量： 8 MB

下载Python源代码: plot_nearest_centroid.py

下载Jupyter notebook源代码: plot_nearest_centroid.ipynb

由Sphinx-Gallery生成的画廊

☆☆☆为方便大家查阅，小编已将scikit-learn学习路线专栏文章统一整理到公众号底部菜单栏，同步更新中，关注公众号，在上方向下“系列文章”，如下：

（添加微信：mthler，备注：sklearn学习，一起进入【sklearn机器学习进步群】开启打怪升级的学习之旅。