机器学习纪事：第一天 理解KNN与鸢尾花数据集
💡
原文英文，约700词，阅读约需3分钟。
📝
内容提要
本文介绍了K-最近邻（KNN）算法及其在鸢尾花数据集上的应用。KNN是一种懒惰学习算法，通过计算距离进行分类。文章详细阐述了模型构建、结果可视化、k值优化等步骤，并实现了交互式查询功能。最终，模型在k=9时表现最佳，准确率最高。
🎯
关键要点
- 介绍了K-最近邻（KNN）算法及其在鸢尾花数据集上的应用。
- KNN是一种懒惰学习算法，通过计算距离进行分类。
- 模型构建包括距离测量、选择最近的k个点和投票决定类别。
- 鸢尾花数据集包含150个样本和4个特征，经过归一化处理。
- 实现了自定义KNN模块，包括距离函数和预测函数。
- 使用混淆矩阵和热图可视化模型的准确性。
- 模型在k=9时表现最佳，准确率最高。
- 添加了交互式查询功能，用户可以输入特征进行分类预测。
- 项目中使用了MinMaxScaler进行归一化处理，并导出结果为CSV文件。
➡️
