Scikit Learn - RadiusNeighborsClassifier

此分类器名称中的"Radius"表示在指定半径 r 内的最近邻点，其中 r 是用户指定的浮点值。因此，顾名思义，此分类器基于每个训练点在固定半径 r 内的邻居数量进行学习。让我们借助一个实现示例来更深入地理解它 −

实现示例

在本例中，我们将使用 scikit-learn 的 RadiusNeighborsClassifer 函数对名为 Iris Flower 的数据集实现 KNN −

首先，按如下方式导入鸢尾花数据集 −

from sklearn.datasets import load_iris
iris = load_iris()

现在，我们需要将数据拆分为训练数据和测试数据。我们将使用 Sklearn 的 train_test_split 函数将数据按 70（训练数据）和 20（测试数据）的比例拆分。−

X = iris.data[:, :4]
y = iris.target
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.20)

接下来，我们将借助 Sklearn 预处理模块进行数据缩放，如下所示 −

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
scaler.fit(X_train)
X_train = scaler.transform(X_train)
X_test = scaler.transform(X_test)

接下来，从 Sklearn 导入 RadiusneighborsClassifier 类，并提供半径值，如下所示 −

from sklearn.neighbors import RadiusNeighborsClassifier
rnc = RadiusNeighborsClassifier(radius = 5)
rnc.fit(X_train, y_train)

示例

现在，创建并预测两个观测值的类别，如下所示 −

classes = {0:'setosa',1:'versicolor',2:'virginicia'}
x_new = [[1,1,1,1]]
y_predict = rnc.predict(x_new)
print(classes[y_predict[0]])

输出

versicolor

完整的可执行程序

from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data[:, :4]

y = iris.target
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.20)

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
scaler.fit(X_train)
X_train = scaler.transform(X_train)
X_test = scaler.transform(X_test)

from sklearn.neighbors import RadiusNeighborsClassifier
rnc = RadiusNeighborsClassifier(radius = 5)
rnc.fit(X_train, y_train)

classes = {0:'setosa',1:'versicolor',2:'virginicia'}
x_new = [[1,1,1,1]]
y_predict = rnc.predict(x_new)
print(classes[y_predict[0]])