使用KNN算法實現水果分類器

還是水果分類原始數據，這次使用KNN算法實現水果分類器。K值選擇1、3、5、7，看預測結果。

預測結果截選如下：

k=1時，預測整體准確率（accuracy）是：66.67%
預測值是：[0]；真實值是：0
預測值是：[3]；真實值是：3
預測值是：[2]；真實值是：2

……

k=3時，預測整體准確率（accuracy）是：75.00%
預測值是：[0]；真實值是：0
預測值是：[3]；真實值是：3
預測值是：[2]；真實值是：2

……

k=5時，預測整體准確率（accuracy）是：58.33%

……

k=7時，預測整體准確率（accuracy）是：66.67%

……

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

data_path = './data/fruit_data.csv'
output_dir = './output/'

label_dict = {'apple':0,
               'mandarin':1,
               'lemon':2,
               'orange':3
            }
feat_cols = ['mass','width','height','color_score']
k_values = [1,3,5,7]

if __name__ == '__main__':
    data_df = pd.read_csv(data_path)
    data_df['label'] = data_df['fruit_name'].map(label_dict)

    X = data_df[feat_cols]   # X = data_df[feat_cols].values也行，下同
    y = data_df['label']
    X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.2,random_state=19)

    for k in k_values:
        knn_model = KNeighborsClassifier(n_neighbors=k)
        knn_model.fit(X_train,y_train)
        accuracy = knn_model.score(X_test,y_test)
        print('k={}時，預測整體准確率（accuracy）是：{:.2f}%'.format(k,accuracy * 100))

        # 看測試集里每一個值的預測情況
        for i in range(X_test.shape[0]):
            pred_value = knn_model.predict([X_test.iloc[i].values])
            true_value = y_test.iloc[i]
            print('預測值是：{}；真實值是：{}'.format(pred_value, true_value))

        print('__' * 60)