（分类）KNN算法- 参数调优

本文介绍: 是一种在机器学习中广泛使用的和方法。在训练模型时，我们通常将和，其中训练集用于训练模型，测试集用于评估模型的性能，但是这种方法可能会受到数据集的影响，导致苹果结果的。通过对数据集进行划分和评估，可以的评估模型的性能。交叉验证的常见方法是步骤如下：1、将数据集随机分成k个互不重叠的自己每个子集称为一个‘折’。2、对于每个折，执行以下操作：a.将当前折作为验证集，其余的折作为训练集b.使用训练集训练模型c.使用验证集评估模型性能（如计算分类准确率，均方误差等指标）

在此专栏的上一篇文章的基础上，进行交叉实验获取最佳的K值
上一篇文章：KNN算法案例-鸢尾花分类
 数据拆分的过程：
数据拆分的过程

交叉验证的常见方法是k折交叉验证（k-Fo ld Cros s Vali d a t i on）
步骤如下：
1、将数据集随机分成k个互不重叠的自己每个子集称为一个‘折’。
2、对于每个折，执行以下操作：
a.将当前折作为验证集，其余的折作为训练集
b.使用训练集训练模型
c.使用验证集评估模型性能（如计算分类准确率，均方误差等指标）
3.计算K次迭代中模型性能指标的平均值作为模型最终的苹果结果。

1.降低模型评估结果的方差：通过多次评估模型，交叉验证可以提供更稳定、更可靠的性能评估。
2.更充分的利用数据：交叉验证可以确保每个样本都被用于训练和验证，使得模型学习和评估更为全面

在算法调优中，交叉验证可以帮助我们找到最佳的超参数（如KNN中的K值）。我们可以尝试不同的的超参数组合。这种方法可以有效地防止过拟合，提高模型在新数据上的泛化性能。
前期导入包和加载数据以及切分数据

import numpy as np
from sklearn import datasets
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import train_test_split
X, y = datasets.load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2,
                                                    random_state=42)

对超参数进行交叉验证筛选

scores = []
params_k = np.arange(1, 31)
for k in params_k:
    knn = KNeighborsClassifier(n_neighbors=k)
    score = cross_val_score(
    knn,  # 选择模型
     X_train,  # 数据
     y_train,   # 目标值
     cv=2,   # 将数据切分为多少份
      scoring='accuracy' # 验证方式
      ).mean()
    scores.append(score)
print(scores)

验证方式的具体如下：
验证方式对应表
选择最佳的超参数

# 使用numpy argmax() 找出最佳的超参数 
k_best = np.argmax(scores) + 1
print("得分最高的超参数K值为：", k_best)

estimator = KNeighborsClassifier(n_neighbors=k_best)
estimator.fit(X_train, y_train)
y_ = estimator.predict(X_test)
print('真实的',y_test)
print('预测值',y_)