### 使用 Jupyter Notebook 实现 KNN 算法进行葡萄酒数据集分类 以下是完整的实现过程，包括加载数据、预处理、构建模型以及评估性能。 #### 1. 加载必要的库 为了完成此任务，需要导入一些常用的 Python 库来辅助数据分析和建模。 ```python import numpy as np import pandas as pd from sklearn.datasets import load_wine from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.neighbors import KNeighborsClassifier from sklearn.metrics import classification_report, confusion_matrix, accuracy_score ``` #### 2. 加载并探索葡萄酒数据集 使用 `sklearn` 提供的内置数据集模块加载葡萄酒数据集，并查看其基本信息。 ```python wine_data = load_wine() df = pd.DataFrame(data=wine_data.data, columns=wine_data.feature_names) df['target'] = wine_data.target print(df.head()) print(f"数据维度: {df.shape}") ``` 这一步展示了如何读取数据及其特征名称[^1]。 #### 3. 划分训练集与测试集 将数据划分为训练集和测试集以便后续验证模型效果。 ```python X = df.drop('target', axis=1).values y = df['target'].values X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) ``` #### 4. 数据标准化 由于不同特征可能具有不同的量纲范围，因此需对数据进行标准化处理以提高模型表现。 ```python scaler = StandardScaler() X_train_scaled = scaler.fit_transform(X_train) X_test_scaled = scaler.transform(X_test) ``` #### 5. 构建 KNN 模型 定义 K 值并通过 `KNeighborsClassifier` 创建分类器对象。 ```python k_value = 5 classifier = KNeighborsClassifier(n_neighbors=k_value, metric='minkowski', p=2) # Euclidean distance classifier.fit(X_train_scaled, y_train) ``` #### 6. 预测与评估 利用测试集预测类别标签并对结果进行全面评价。 ```python y_pred = classifier.predict(X_test_scaled) confusion_mat = confusion_matrix(y_test, y_pred) accuracy = accuracy_score(y_test, y_pred) report = classification_report(y_test, y_pred) print("混淆矩阵:") print(confusion_mat) print("\n准确率:", accuracy) print("\n分类报告:\n", report) ``` 以上代码片段涵盖了从准备到执行整个流程的具体操作步骤[^2]。 --- ### 结果解释 最终输出的结果应包含混淆矩阵、总体精度以及其他指标（如召回率、F1分数），这些可以帮助理解模型的表现情况。如果发现某些特定类型的错误较多，则可以尝试调整超参数或者改进前处理方式进一步优化成果。