Mixiar

X_train, X_test, y_train, y_test = train_test_split(iris_dataset['data'], iris_dataset['target'], random_state=0)
knn = KNeighborsClassifier(n_neighbors=1)
knn.fit(X_train, y_train)
print("Test set score: {:.2f}".format(knn.score(X_test, y_test)))

Mixiar

y_pred = knn.predict(X_test)
print("Test set score: {:.2f}".format(np.mean(y_pred == y_test)))

Mixiar

import numpy as np
X_new = np.array([[5, 2.9, 1, 0.2]])
prediction = knn.predict(X_new)
print("Predicted target name: {}".format(iris_dataset['target_names'][prediction]))

Mixiar

from sklearn.neighbors import KNeighborsClassifier

# Instanciar la clase en un objeto. 
# Establecemos el numero de vecinos en 1
knn = KNeighborsClassifier(n_neighbors=1)

# Construir el modelo a partir del conjunto de entrenamiento
knn.fit(X_train, y_train)

Mixiar

import pandas as pd
import mglearn

# Crea dataframe a partir de datos en X_train
# Etiquetar las columnas usando iris_dataset.feature_names
iris_dataframe = pd.DataFrame(X_train, columns=iris_dataset.feature_names)

# Crea una matriz de dispersión a partir de iris_dataframe, coloreado por y_train
grr = pd.pandas.plotting.scatter_matrix(iris_dataframe, c=y_train, figsize=(15, 15), marker='o',
      hist_kwds={'bins': 20}, s=60, alpha=.8, cmap=mglearn.cm3)

Mixiar

# Cargamos el conjunto de datos de Iris
from sklearn.datasets import load_iris
iris_dataset = load_iris()

# Claves del objeto iris_dataset
# Podemos ver la descripcion, los datos, las caraterísticas, etc. del conjunto de datos
print("Keys of iris_dataset: \n{}\n\n".format(iris_dataset.keys()))
print(iris_dataset['feature_names'])

# Divide los datos de entrenamiento (75%) y de prueba (25%)