04_02_01_knn.py

# -*- coding: utf-8 -*-
import pickle
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier


iris = load_iris()
"""
#Tipo de datos
print(type(iris))
#Datos incluidos
print(iris.keys())
#Nombres de características
print(iris.feature_names)
#Datos de características
print(iris.data)
#Nombres de etiquetas
print(iris.target_names)
#Datos de Etiquetas
print(iris.target)
"""
#Dividimos los datos en entrenamiento y pruebas
X_train, X_test, Y_train, Y_test = (train_test_split(
    iris['data'],
    iris['target'],
    train_size=0.80,
    test_size=0.20,
    random_state=2))
"""
#Datos para entrenamiento
#Forma X_train
print(X_train.shape)
#Forma Y_train
print(Y_train.shape)
#Datos para prueba
#Forma X_test
print(X_test.shape)
#Forma Y_test
print(Y_test.shape)
"""
#Establecemos las configuraciones del algoritmo
#empezando por el número de vecinos
knn = KNeighborsClassifier(
    n_neighbors=10,
    weights='distance')

#entrenamos al algoritmo con los datos (_train)
knn.fit(X_train, Y_train)

#comprobamos la validez del algortimo
score = knn.score(X_test, Y_test)
print(score)

# save model
# guardar a fichero (carpeta) el model para su posterior uso
with open("modelo_knn.pkl", "wb") as archivo:
    pickle.dump(knn, archivo)
# load model
# cargar el modelo desde fichero para poder hacer inferencia
with open("modelo_knn.pkl", "rb") as archivo:
    modelo_knn_cargado = pickle.load(archivo)
    #Ejemplo de flor con sus características
    # Inferencia
    ret = modelo_knn_cargado.predict([[1.2, 3.4, 5.6, 1.1]])
    #Predicción de tipo de flor
    print(iris.target_names[ret])


import numpy as np
import matplotlib.pyplot as plt
from matplotlib.colors import ListedColormap
from sklearn import neighbors, datasets

n_neighbors = 10

# import some data to play with
iris = datasets.load_iris()

# prepare data
X = iris.data[:, :2]
y = iris.target
h = .02

# Create color maps
cmap_light = ListedColormap(['#FFAAAA', '#AAFFAA', '#00AAFF'])
cmap_bold = ListedColormap(['#FF0000', '#00FF00', '#00AAFF'])

# we create an instance of Neighbours Classifier and fit the data.
clf = neighbors.KNeighborsClassifier(n_neighbors, weights='distance')
# algorithm : {'auto', 'ball_tree', 'kd_tree', 'brute'}
clf.fit(X, y)

# calculate min, max and limits
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, h),
                     np.arange(y_min, y_max, h))

# predict class using data and kNN classifier
Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])

# Put the result into a color plot
Z = Z.reshape(xx.shape)
plt.figure()
plt.pcolormesh(xx, yy, Z, cmap=cmap_light, shading='auto')

# Plot also the training points
plt.scatter(X[:, 0], X[:, 1], c=y, cmap=cmap_bold)
plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.title("3-Class classification (k = %i)" % n_neighbors)
plt.show()