五、算法用例
数据来自机器学习数字资源库，选择汽车销售数据集
，包含各类汽车特征的描述。共有数据记录1 728 条，无空数据。属性变量共 6 个，其类型目录如表 2-4-4 所示。
表 2-4-4 汽车数据的属性表
目标变量为人们的接受程度，其类型目录分别为 unacc（不接受）、acc（接受）、good（容易接受）、vgood（非常接受）。
采用 KNN 算法目的是找到各种车型的分类特征，以便提供给车企对某种新产品在设计、定价、外观等方面的市场接受程度。
全部数据的采样、算法及验证都在 Orange 平台展开。其流程如图 2-4-11 所示。
图 2-4-11 汽车数据的 Orange 流程
数据按照 7∶3 进行数据采样，选取错误率最低的作为 KNN 参数，其准确率达到98.1%，取得满意的模型表现。
，包含各类汽车特征的描述。共有数据记录1 728 条，无空数据。属性变量共 6 个，其类型目录如表 2-4-4 所示。
表 2-4-4 汽车数据的属性表
目标变量为人们的接受程度，其类型目录分别为 unacc（不接受）、acc（接受）、good（容易接受）、vgood（非常接受）。
采用 KNN 算法目的是找到各种车型的分类特征，以便提供给车企对某种新产品在设计、定价、外观等方面的市场接受程度。
全部数据的采样、算法及验证都在 Orange 平台展开。其流程如图 2-4-11 所示。
图 2-4-11 汽车数据的 Orange 流程
数据按照 7∶3 进行数据采样，选取错误率最低的作为 KNN 参数，其准确率达到98.1%，取得满意的模型表现。
以上配套资源下载。
。