from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data
y = iris.target
#print(X)
#print(y )
feature_names = iris.feature_names
target_names = iris.target_names
print(target_names)
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split (X, y, test_size=0,4, random_state=1)
print(X_train.shape)
print(y_train.shape)
print(X_test.shape)
# обучение модели на обучающем наборе
from sklearn.neighbors import KNeighborsClassifier
knn = KNeighborsClassifier(n_neighbors=3) #определение модели
knn.fit(X_train, y_train) #fitting model
# # Шаг 4: Prediction
# создание прогнозов на тестовом наборе
y_pred = knn.predict(X_test)
# сравнение фактических значений ответа (y_test) с предсказанными значениями ответа (y_pred)
из показателей импорта sklearn
print("точность модели kNN:", metrics.accuracy_scor e(y_test, y_pred))
Проверка #pridiction
print(X_test[7],y_test[7])
print(X_test[4],y_test[4])
sample=[[5.1, 3.8, 1.9, 0.4],[7.9, 3.8, 6.4, 2. ]]
preds = knn.predict(sample)
print(preds)
from sklearn .metrics импортирует показатель точности
из sklearn.metrics импортирует отчет о классификации
из sklearn.metrics импортирует путаницу_матрицу
печать (оценка_точности (y_test, y_pred))
печать (отчет_классификации (y_test, y_pred))
print(confusion_matrix(y_test, y_pred))