机器学习-KNN小实战---乳腺癌预测
发布时间
阅读量：
阅读量
一、数据集导入
本项目基于sklearn库中的乳腺癌数据集开展研究工作，并对其数据来源进行详细介绍。具体而言，我们采用了scikit-learn官方提供的乳腺癌数据集，并参考了相关官方文档对获取流程进行了详细说明。
from sklearn.datasets import load_breast_cancer
from sklearn.metrics import accuracy_score
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import StandardScaler
#导入 数据集
mydata = load_breast_cancer()
python二、数据集预处理
# 划分数据集
x_train, x_test, y_train, y_test = train_test_split(mydata.data, mydata.target, test_size=0.3, random_state=32)
# 数据集标准化预处理
transformer = StandardScaler()
x_train = transformer.fit_transform(x_train)
x_test = transformer.fit_transform(x_test)
python三、模型训练
model = KNeighborsClassifier()
# 交叉验证
param_grid = {'n_neighbors': [1, 3, 5, 7, 9, 11, 13, 15, 17, 19, 21]}
model = GridSearchCV(estimator=model, param_grid=param_grid, cv=5)
# 模型训练
model.fit(x_train, y_train)
python四、模型评估
# 模型评估
y_predict = model.predict(x_test)
myresult = accuracy_score(y_test, y_predict)
print('myresult-->', myresult)
python五、总结
这个乳腺癌的检测实战基于之前的鸢尾花预测实例，并都属于一些简单的分类问题。而这个属于二分类问题且较为简单。总体而言，在公式化学习的方法下将项目划分为三个阶段更为合理。数据集导入；预处理；模型训练；模型评估。
全部评论 (0)
还没有任何评论哟~