[英]Implement K Neighbors Classifier and Linear SVM in scikit-learn for Word sense disambiguiation
[英]Implement K Neighbors Classifier in scikit-learn with 3 feature per object
我想用scikit-learn模块实现一个KNeighborsClassifier( http://scikit-learn.org/dev/modules/generated/sklearn.neighbors.KNeighborsClassifier.html )
我从我的图像中检索坚固性,伸长率和Humoments功能。 我如何准备这些数据进行培训和验证? 我必须为从我的图像中检索到的每个对象创建一个包含3个特征[Hm,e,s]的列表(从1个图像中有更多对象)?
我读了这个例子( http://scikit-learn.org/dev/modules/generated/sklearn.neighbors.KNeighborsClassifier.html ):
X = [[0], [1], [2], [3]]
y = [0, 0, 1, 1]
from sklearn.neighbors import KNeighborsClassifier
neigh = KNeighborsClassifier(n_neighbors=3)
neigh.fit(X, y)
print(neigh.predict([[1.1]]))
print(neigh.predict_proba([[0.9]]))
X和y是2个特征?
samples = [[0., 0., 0.], [0., .5, 0.], [1., 1., .5]]
from sklearn.neighbors import NearestNeighbors
neigh = NearestNeighbors(n_neighbors=1)
neigh.fit(samples)
print(neigh.kneighbors([1., 1., 1.]))
为什么在第一个例子中使用X和y并现在采样?
1d
数据的分类器。 X
表示特征向量。
[0] is the feature vector of the first data example
[1] is the feature vector of the second data example
....
[[0],[1],[2],[3]] is a list of all data examples,
each example has only 1 feature.
y
代表标签。
下图显示了这个想法:
print(neigh.predict([[1.1]]))
这要求分类器预测x=1.1
的标签。
print(neigh.predict_proba([[0.9]]))
这要求分类器为每个标签提供成员概率估计。
由于两个灰色节点都靠近绿色,因此下面的输出是有意义的。
[0] # green label
[[ 0.66666667 0.33333333]] # green label has greater probability
scikit-learn
有很好的指导: 在下面的示例中,我们从表示数据集的数组构造一个NeighborsClassifier类,并询问谁是[1,1,1]的最近点
>>> samples = [[0., 0., 0.], [0., .5, 0.], [1., 1., .5]] >>> from sklearn.neighbors import NearestNeighbors >>> neigh = NearestNeighbors(n_neighbors=1) >>> neigh.fit(samples) NearestNeighbors(algorithm='auto', leaf_size=30, ...) >>> print(neigh.kneighbors([1., 1., 1.])) (array([[ 0.5]]), array([[2]]...))
这里没有目标值,因为这只是一个NearestNeighbors
类,它不是分类器,因此不需要标签。
由于您需要分类器, KNeighborsClassifier
如果要使用KNN
方法,则应使用KNeighborsClassifier
。 您可能想要构建特征向量X
并标记y
,如下所示:
X = [ [h1, e1, s1],
[h2, e2, s2],
...
]
y = [label1, label2, ..., ]
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.