Hello 大家好，我是一名新来的金融领域打工人，日常分享一些python知识，都是自己在学习生活中遇到的一些问题，分享给大家，希望对大家有一定的帮助！
哈喽大家好，今天是我第一次该大家介绍机器学习算法，以前我都是在讲一些数据分析的小知识等等，今天给大家带来我经常遇到的KNN机器学习算法的使用。
1.KNN基础介绍
KNN(K-Nearest Neighbor)是机器学习算法中一种较为简单的算法，其主要思想就是通过识别k个最近距离的点(基于欧几里得距离)来进行预测，该算法既可以用于分类也可以用于回归。
2.KNN算法用于分类
下面我通过代码来向大家介绍KNN在分类任务中的应用：
from sklearn.datasets import load_iris from sklearn.neighbors import KNeighborsClassifier #导入KNN分类模型
关于iris数据集的内容大家可以参考我之前的文章：
python金融分析小知识(28)——使用seaborn绘制线性回归图
iris = load_iris() #导入iris数据集 iris
#将数据的特征与标签分别赋值给X,y X, y = iris.data, iris.target
我们来看看特征与标签：
# 拆分数据集(训练集+测试集) from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y) #拆分的比例用默认的
# 创建KNN分类器 参数保持默认 默认为5个邻居 knn_clf = KNeighborsClassifier() # 训练模型 knn_clf.fit(X_train, y_train)
查看准确率：
在这里之前我们所使用的KNN参数都是默认的参数，默认的参数不一定可以带来最大的准确率，所以接下来我们需要进行网格搜索，寻找模型的最优参数：
# 下面使用网格搜索进行参数分析(邻居的数量参数的分析)
from sklearn.model_selection import GridSearchCV
n_neighbors = list(range(1,11,1)) #指定参数的值
cv = GridSearchCV(estimator=KNeighborsClassifier(), param_grid={'n_neighbors':n_neighbors}, cv=5) #进行五折交叉验证
cv.fit(X,y) #使用网格搜索拟合数据集
cv.best_params_ #查看最优的参数
打印结果：
这说明当参数n_neughbors参数是6时模型可以取得最高的准确率，下面我们来试试参数取6：
# 创建KNN分类器 参数保持默认 采用最佳参数 knn_clf2 = KNeighborsClassifier(n_neighbors=6) # 训练模型 knn_clf2.fit(X_train, y_train)
查看准确率，看准确率是不是提高了一些：
3.cv交叉验证的几个主要属性
我们可以查看交叉验证的几个主要属性：
好啦今天的文章就分享到这里啦！下一期讲讲KNN的回归算法。
