Python 在scikit learn中实现K邻域分类器，每个对象具有3个特征

我想用scikit学习模块（）实现Kneighbors分类器

我从我的图像中检索到了坚实、伸长和腐殖质的特征。 如何准备这些数据进行培训和验证？ 我必须为我从图像中检索到的每个对象创建一个包含3个特征[Hm、e、s]的列表（从1个图像中有更多对象）

我读了这个例子（）

X和y是两个特征

samples = [[0., 0., 0.], [0., .5, 0.], [1., 1., .5]]
from sklearn.neighbors import NearestNeighbors
neigh = NearestNeighbors(n_neighbors=1)
neigh.fit(samples) 

print(neigh.kneighbors([1., 1., 1.])) 

为什么在第一个示例中使用X和y，现在使用sample？

您的第一段代码在

1d

数据上定义了一个分类器。

X

表示特征向量

[0] is the feature vector of the first data example
[1] is the feature vector of the second data example
....
[[0],[1],[2],[3]] is a list of all data examples, 
  each example has only 1 feature.

y

表示标签

下图显示了这一想法：

• 绿色节点是标签为0的数据
• 红色节点是标签为1的数据
• 灰色节点是具有未知标签的数据

这要求分类器为每个标签提供成员概率估计

由于两个灰色节点都位于靠近绿色的位置，因此下面的输出是有意义的

    [0] # green label
    [[ 0.66666667  0.33333333]]  # green label has greater probability

第二段代码实际上有关于

scikit learn

的良好说明： 在下面的示例中，我们从表示数据集的数组构造NeighborsClassifier类，并询问与[1,1,1]最近的点是谁

---

最后一个问题：如何选择标签？为什么它是[0,0,1,1]，而不是[0,1,2,3]或[0,0,0,1]？我遇到了错误：“使用序列设置数组元素”，因为fit函数需要：X:{array-like，稀疏矩阵，BallTree，cKDTree}。我有一张名单！如果我在特征向量中插入所有7个humoments：“查询数据维度必须与BallTree数据维度匹配”，我还尝试在numpy数组中对其进行转换，同样的错误：“使用序列设置数组元素”。标签是[0,0,1,1]而不是[0,1,2,3]，因为在该示例中，我们只有2个类，而不是4个类。如果最左边的三个节点实际上是同一个类，那么它可能是[0,0,0,1]。你能为你的第二个问题在不同的帖子中发布你的代码吗？但我有292个对象，我如何选择类的数量？我在一个新问题中发布了我的代码，你们的分类目标是什么？这些图像描述了不同的主题/图案/颜色/对象吗？如果是，则为每种类型提供不同的标签。无论是0,1,2还是“红色”、“白色”、“黑色”，标签的值都无关紧要。重要的是他们有多少价值观。我还回答了你的另一篇帖子。 print(neigh.predict([[1.1]]))

    print(neigh.predict_proba([[0.9]]))

    [0] # green label
    [[ 0.66666667  0.33333333]]  # green label has greater probability

>>> samples = [[0., 0., 0.], [0., .5, 0.], [1., 1., .5]] >>> from sklearn.neighbors import NearestNeighbors >>> neigh = NearestNeighbors(n_neighbors=1) >>> neigh.fit(samples) NearestNeighbors(algorithm='auto', leaf_size=30, ...) >>> print(neigh.kneighbors([1., 1., 1.])) (array([[ 0.5]]), array([[2]]...))

X = [ [h1, e1, s1], 
      [h2, e2, s2],
      ...
    ]
y = [label1, label2, ..., ]