9、分类预测入门：基础分类器与评估

分类预测入门：基础分类器与评估

在机器学习中，分类是一项重要的任务，它旨在根据输入特征预测样本所属的类别。本文将介绍两种简单的分类器：k - 近邻（k - NN）和朴素贝叶斯（Naive Bayes），并对它们进行评估。

1. k - 近邻分类模型

k - 近邻（k - NN）是一种基本的监督学习模型，它通过找到与待预测样本最近的 k 个邻居来进行分类。以下是构建和使用 3 - NN 模型的步骤：
1. 创建 3 - NN 模型 ：使用 neighbors.KNeighborsClassifier 类，设置 n_neighbors = 3 。
2. 拟合模型 ：使用训练数据对模型进行拟合。
3. 预测 ：使用拟合好的模型对测试数据进行预测。
4. 评估 ：使用准确率评估预测结果。

以下是相应的 Python 代码：

# default n_neighbors = 5
knn = neighbors.KNeighborsClassifier(n_neighbors=3)
fit = knn.fit(iris_train_ftrs, iris_train_tgt)
preds = fit.predict(iris_test_ftrs)
# evaluate our predictions against the held - back testing ta