问题描述
我想为k-nn分类器绘制具有不同k值的图形。 我的问题是这些数字似乎具有相同的k值。 到目前为止,我尝试过的是在循环的每次运行中更改k的值:
clf = KNeighborsClassifier(n_neighbors=counter+1)
但是所有数字似乎都是针对k=1
from sklearn.datasets import fetch_california_housing
data = fetch_california_housing()
import numpy as np
from sklearn.model_selection import train_test_split
c = np.array([1 if y > np.median(data['target']) else 0 for y in data['target']])
X_train,X_test,c_train,c_test = train_test_split(data['data'],c,random_state=0)
from sklearn.neighbors import KNeighborsClassifier
import mglearn
import matplotlib.pyplot as plt
fig,ax = plt.subplots(nrows=1,ncols=3,figsize=(20,6))
for counter in range(3):
clf = KNeighborsClassifier(n_neighbors=counter+1)
clf.fit(X_test,c_test)
plt.tight_layout() # this will help create proper spacing between the plots.
mglearn.discrete_scatter(X_test[:,0],X_test[:,1],c_test,ax=ax[counter])
plt.legend(["Class 0","Class 1"],loc=4)
plt.xlabel("First feature")
plt.ylabel("Second feature")
#plt.figure()
解决方法
所有图看起来相同的原因是您每次都只是绘制测试集,而不是在测试集上绘制模型预测。您可能打算对k
的每个值执行以下操作:
-
将模型调整为训练集,在这种情况下,应将
clf.fit(X_test,c_test)
替换为clf.fit(X_train,c_train)
。 -
在测试集上生成模型预测,在这种情况下,您应该添加
c_pred = clf.predict(X_test)
。 -
在测试集上绘制模型预测,在这种情况下,应在散点图中将
c_test
替换为c_pred
,即使用mglearn.discrete_scatter(X_test[:,0],X_test[:,1],c_pred,ax=ax[counter])
代替{{1} }。
我在下面提供了完整的代码。
mglearn.discrete_scatter(X_test[:,c_test,ax=ax[counter])