KNN 模型的准确度得分（IRIS 数据）

Question

在 IRIS 数据上增加或稳定这个基本 KNN 模型的准确度得分（不会显着变化）可能是哪些关键因素？

尝试

from sklearn import neighbors, datasets, preprocessing
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn.metrics import classification_report
from sklearn.metrics import confusion_matrix

iris = datasets.load_iris() 
X, y = iris.data[:, :], iris.target

Xtrain, Xtest, y_train, y_test = train_test_split(X, y)
scaler = preprocessing.StandardScaler().fit(Xtrain)
Xtrain = scaler.transform(Xtrain)
Xtest = scaler.transform(Xtest)

knn = neighbors.KNeighborsClassifier(n_neighbors=4)
knn.fit(Xtrain, y_train)
y_pred = knn.predict(Xtest)

print(accuracy_score(y_test, y_pred))
print(classification_report(y_test, y_pred))
print(confusion_matrix(y_test, y_pred))

样本准确度得分

0.9736842105263158
0.9473684210526315
1.0
0.9210526315789473

分类报告

              precision    recall  f1-score   support

           0       1.00      1.00      1.00        12
           1       0.79      1.00      0.88        11
           2       1.00      0.80      0.89        15

    accuracy                           0.92        38
   macro avg       0.93      0.93      0.92        38
weighted avg       0.94      0.92      0.92        38

样本混淆矩阵

[[12  0  0]
 [ 0 11  0]
 [ 0  3 12]]

Answer 1

在 iris 数据集中只有 3 个类可用，Iris-Setosa、Iris-Virginica 和 Iris-Versicolor。

使用此代码。这给了我97.78% 准确度

from sklearn import neighbors, datasets, preprocessing
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn.metrics import classification_report
from sklearn.metrics import confusion_matrix

iris = datasets.load_iris() 
X, y = iris.data[:, :], iris.target
Xtrain, Xtest, y_train, y_test = train_test_split(X, y, stratify = y, random_state = 0, train_size = 0.7)

scaler = preprocessing.StandardScaler().fit(Xtrain)
Xtrain = scaler.transform(Xtrain)
Xtest = scaler.transform(Xtest)

knn = neighbors.KNeighborsClassifier(n_neighbors=3)
knn.fit(Xtrain, y_train)
y_pred = knn.predict(Xtest)

print(accuracy_score(y_test, y_pred))
print(classification_report(y_test, y_pred))
print(confusion_matrix(y_test, y_pred))

Answer 2

我建议调整 k-NN 的 k 值。由于 iris 是一个小数据集并且非常平衡，我将执行以下操作：

对于 [2 到 10] 范围内的每个 `k` 值（例如） 执行 n 次 k 折交叉验证（例如 n=20 和 k=4） 存储准确度值（或任何其他指标）

根据平均值和方差绘制分数，并选择具有最佳 k 值的 k 值。交叉验证的主要目标是估计测试误差，并在此基础上选择最终模型。会有一些差异，但应该小于 0.03 或类似的值。这取决于数据集和您采取的折叠次数。一个好的过程是，为k 的每个值制作所有 20x4 精度值的箱线图。选择下分位数与上分位数相交的k 的值，或者简单地说，在精度（或其他度量值）没有太大变化的情况下。

一旦基于此选择k 的值，目标就是使用该值来构建使用整个训练数据集的最终模型。接下来，这可用于预测新数据。

另一方面，对于更大的数据集。创建一个单独的测试分区（就像您在此处所做的那样），然后仅在训练集上调整 k 值（使用交叉验证，忘记测试集）。选择合适的k 训练算法后，仅使用训练集进行训练。接下来，使用测试集报告最终值。永远不要根据测试集做出任何决定。

另一种方法是训练、验证、测试分区。使用训练集进行训练，使用k 的不同值训练模型，然后使用验证分区进行预测并列出分数。根据此验证分区选择最佳分数。接下来使用训练集或训练+验证集使用基于验证集选择的k 的值训练最终模型。最后取出测试集，上报最终成绩。同样，切勿在其他任何地方使用测试集。

这些是适用于任何机器学习或统计学习方法的通用方法。

执行分区（训练、测试或交叉验证）时需要注意的重要事项，请使用stratified sampling，以便在每个分区中类比率保持不变。

阅读有关crossvalidation 的更多信息。在 scikitlearn 中很容易做到。如果使用 R，则可以使用 caret。

要记住的主要内容是，目标是训练一个泛化新数据的函数，或者在新数据上表现良好，而不是仅仅在现有数据上表现良好。