喜好程度预测

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier

df = pd.read_csv(‘datatest.csv’, names=[‘出行’, ‘游戏时间’, ‘冰激凌’, ‘配对结果’])
print(df)

取所有的行，1，2，3列作为特征，4列标签结果

feature = df.iloc[:, 0:3]
print(feature)
target = df.iloc[:, -1]
print(target)

划分数据集test_size:测试集占比 random_state:随机数种子 训练集的特征数据，测试集的特征数据，训练集的目标数据，测试集的目标数据

x_train, x_test, y_train, y_test = train_test_split(feature, target, test_size=0.21, random_state=1500)
print(x_train.shape, x_test.shape)

标准化

ss = StandardScaler()
x_train = ss.fit_transform(x_train)
print(x_train)

创建KMN算法对象，指定K值

knn = KNeighborsClassifier(n_neighbors=3)

训练模型(训练集的特征数据和目标数据)

knn.fit(x_train, y_train)

用测试集验证数据，得到评价指标 测试集数据也必须标准化，但是不需要再计算均值和方差，训练集进行标准化的时候已经找到了均值和方差 已经找到转换规则，我们把这个规则用在了训练集上，同样我们可以直接用在测试集上，所以在测试集上的处理，我们只需要标准化

x_test = ss.transform(x_test)
score = knn.score(x_test, y_test)
print(f’模型评分{score}')

预测

x_test1 = [[20000, 2.54, 7.65], [2322, 5, 2]]
x_test1 = ss.transform(x_test1)
y_predict = knn.predict(x_test1)
print(y_predict)