KNN算法例子（java,scala,python 代码实现）

最新推荐文章于 2023-10-09 21:46:06 发布
最新推荐文章于 2023-10-09 21:46:06 发布
阅读量1.7k 收藏 6
点赞数
分类专栏： 算法 文章标签： 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/h348592532/article/details/78805833
版权

java 版本

package com.fullshare.test;

import java.util.ArrayList;
import java.util.Collections;
import java.util.Comparator;
import java.util.List;

/**
 * @author huangjiangnan
 * @email huangjiangnanjava@163.com
 * @version 1.0
 * @since 2017年12月14日 上午10:27:35 类说明
 */
public class Knn {

	public static void main(String[] args) {
		// 电影名称 搞笑镜头 拥抱镜头 打斗镜头 电影类型
		Object[][] sample = { 
				{ 1, "宝贝当家", 45, 2, 9, "喜剧片" },
				{ 2, "美人鱼", 21, 17, 5, "喜剧片" },
				{ 3, "澳门风云3", 54, 9, 11, "喜剧片" }, 
				{ 4, "功夫熊猫3", 39, 0, 31, "喜剧片" }, 
				{ 5, "谍影重重", 5, 2, 57, "动作片" },
				{ 6, "叶问3", 3, 2, 65, "动作片" }, 
				{ 7, "伦敦陷落", 2, 3, 55, "动作片" }, 
				{ 8, "我的特工爷爷", 6, 4, 21, "动作片" }, 
				{ 9, "奔爱", 7, 46, 4, "爱情片" }, 
				{ 10, "夜孔雀", 9, 39, 8, "爱情片" },
				{ 11, "代理情人", 9, 38, 2, "爱情片" }, 
				{ 12, "新步步惊心", 8, 34, 17, "爱情片" }, };
		// 求唐人街办案类型
		Object[] movie = { 13, "唐人街探案", 23, 3, 17, null };
		int length = sample.length;
		System.out.println("序号 名称        距离");
		List<MovieDis> movieDisList = new ArrayList<>();

		for (int i = 0; i < length; i++) {
			Object[] mv = sample[i];
			double distances = getDistance(mv, movie);
			MovieDis movieDis = new MovieDis((int) mv[0], (String) mv[1], distances, (String) mv[5]);
			// Object[] disInfo={};
			System.out.println(String.format("%s %s %s", mv[0], mv[1], distances));
			movieDisList.add(movieDis);
		}

		Collections.sort(movieDisList, new Comparator<MovieDis>() {

			@Override
			public int compare(MovieDis o1, MovieDis o2) {
				double sub = (o1.getDistance() - o2.getDistance());
				if (sub == 0) {
					return 0;
				}
				if (sub > 0) {
					return 1;
				}
				return -1;
			}
		});
		
		int k=5;
		System.out.println("按照欧式距离排序，取k=5");
		movieDisList=movieDisList.subList(0,k);
		for (MovieDis movieDis : movieDisList) {
			System.out.println(movieDis);
		}

	}

	public static double getDistance(Object[] movie1, Object[] movie2) {
		double[] ps1 = { (Integer) movie1[2], (Integer) movie1[3], (Integer) movie1[4] };
		double[] ps2 = { (Integer) movie2[2], (Integer) movie2[3], (Integer) movie2[4] };
		return getDistance(ps1, ps2);
	}

	public static double getDistance(double[] ps1, double[] ps2) {
		if (ps1.length != ps1.length) {
			throw new RuntimeException("属性数量不对应");
		}
		int length = ps1.length;
		double total = 0;
		for (int i = 0; i < length; i++) {
			double sub = ps1[i] - ps2[i];
			total = total + (sub * sub);
		}
		return Math.sqrt(total);
	}

}

class MovieDis {
	private int id;
	private String title;
	private double distance;
	private String type;

	public int getId() {
		return id;
	}

	public void setId(int id) {
		this.id = id;
	}

	public String getTitle() {
		return title;
	}

	public void setTitle(String title) {
		this.title = title;
	}

	public double getDistance() {
		return distance;
	}

	public void setDistance(double distance) {
		this.distance = distance;
	}

	public MovieDis(int id, String title, double distance, String type) {
		super();
		this.id = id;
		this.title = title;
		this.distance = distance;
		this.type = type;
	}


	@Override
	public String toString() {
		return "MovieDis [id=" + id + ", title=" + title + ", distance=" + distance + ", type=" + type + "]";
	}

	public String getType() {
		return type;
	}

	public void setType(String type) {
		this.type = type;
	}

}
scala版本 

package com.test.api

class KnnScala {

}

object KnnScala {
  def main(args: Array[String]): Unit = {
    var sample: Array[Array[Any]] = Array(
      Array(1, "宝贝当家", 45, 2, 9, "喜剧片"),
      Array(2, "美人鱼", 21, 17, 5, "喜剧片"),
      Array(3, "澳门风云3", 54, 9, 11, "喜剧片"),
      Array(4, "功夫熊猫3", 39, 0, 31, "喜剧片"),
      Array(5, "谍影重重", 5, 2, 57, "动作片"),
      Array(6, "叶问3", 3, 2, 65, "动作片"),
      Array(7, "伦敦陷落", 2, 3, 55, "动作片"),
      Array(8, "我的特工爷爷", 6, 4, 21, "动作片"),
      Array(9, "奔爱", 7, 46, 4, "爱情片"),
      Array(10, "夜孔雀", 9, 39, 8, "爱情片"),
      Array(11, "代理情人", 9, 38, 2, "爱情片"),
      Array(12, "新步步惊心", 8, 34, 17, "爱情片"))
    // 求唐人街办案类型
    var movie = Array(13, "唐人街探案", 23, 3, 17, null);
    var length = sample.length - 1;
    println("序号 名称        距离");
    var movieDisList = List[MovieDis]();

    for (i <- 0 to length) {
      var mv: Array[Any] = sample(i);
      var distances: Double = getDistance(mv, movie);
      var movieDis = new MovieDis(mv(0).asInstanceOf[Int], mv(1).asInstanceOf[String], distances, mv(5).asInstanceOf[String]);
      println(printf("%s %s %s", mv(0), mv(1), distances));
      //列表添加跟java不一样，坑
      movieDisList = (movieDisList.+:(movieDis))
    }
    movieDisList = movieDisList.sortWith((o1: MovieDis, o2: MovieDis) => (o1.distance < o2.distance));

    var k: Int = 5;
    println("按照欧式距离排序，取k=5");
    movieDisList = movieDisList take 5;
    movieDisList.foreach { o => println(o) }
  }

  def getDistance(movie1: Array[Any], movie2: Array[Any]): Double = {
    var ps1 = Array(movie1(2).asInstanceOf[Integer].doubleValue(), movie1(3).asInstanceOf[Integer].doubleValue(), movie1(4).asInstanceOf[Integer].doubleValue());
    var ps2 = Array(movie2(2).asInstanceOf[Integer].doubleValue(), movie2(3).asInstanceOf[Integer].doubleValue(), movie2(4).asInstanceOf[Integer].doubleValue());
    return getDistance(ps1, ps2);
  }

  def getDistance(ps1: Array[Double], ps2: Array[Double]): Double = {
    if (ps1.length != ps1.length) {
      throw new RuntimeException("属性数量不对应");
    }
    var length = ps1.length - 1;
    var total: Double = 0;
    for (i <- 0 to length) {
      var sub = ps1(i) - ps2(i);
      total = total + (sub * sub);
    }
    
    return Math.sqrt(total);
  }

}

class MovieDis extends Serializable {
  var id: Int = 0;
  var title: String = null;
  var distance: Double = 0;
  var movieType: String = null;

  def this(_id: Int, _title: String, _distance: Double, _movieType: String) {
    this();
    this.id = _id;
    this.title = _title;
    this.distance = _distance;
    this.movieType = _movieType;
  }

  override def toString(): String = {
    return "MovieDis [id=" + id + ", title=" + title + ", distance=" + distance + ", movieType=" + movieType + "]";
  }

}


python版本 

#!/usr/bin/env python3
# -*- coding: UTF-8 -*-
# 给多个变量赋值
import math

class MovieDis :
    # 序号
    id = 0
    # 电影标题
    title = ""
    # 差距
    distance = 0.0
    # 电影类型
    movieType = ""

    def __init__(self, id ,title,distance,movieType):
        self.id=id
        self.title=title
        self.distance=distance
        self.movieType=movieType


    def __str__(self):
        return "MovieDis [id=%s, title=%s, distance=%s, movieType=%s]" % (self.id,self.title,self.distance,self.movieType)


def get_distance(ps1,ps2):
    if len(ps1) != len(ps2):
        raise Exception("数组长度不匹配")
    ll = len(ps1)
    total=0
    for i in range(0,ll):
        sub = ps1[i] - ps2[i]
        total = total + (sub * sub)
    return math.sqrt(total)




sample = ((1, "宝贝当家", 45, 2, 9, "喜剧片"),
      (2, "美人鱼", 21, 17, 5, "喜剧片"),
      (3, "澳门风云3", 54, 9, 11, "喜剧片"),
      (4, "功夫熊猫3", 39, 0, 31, "喜剧片"),
      (5, "谍影重重", 5, 2, 57, "动作片"),
      (6, "叶问3", 3, 2, 65, "动作片"),
      (7, "伦敦陷落", 2, 3, 55, "动作片"),
      (8, "我的特工爷爷", 6, 4, 21, "动作片"),
      (9, "奔爱", 7, 46, 4, "爱情片"),
      (10, "夜孔雀", 9, 39, 8, "爱情片"),
      (11, "代理情人", 9, 38, 2, "爱情片"),
      (12, "新步步惊心", 8, 34, 17, "爱情片"))

movie = (13, "唐人街探案", 23, 3, 17, "")


length = len(sample) - 1
print("序号 名称        距离")
movieDisList = []

for i in range(0,length):
    mv= sample[i]
    start=mv[2:5]
    end= movie[2:5]
    distances = get_distance(start, end)
    print("%s %s %s" % (mv[0],mv[1],distances))
    movieDis = MovieDis(mv[0], mv[1], distances, mv[5])
    movieDisList.append(movieDis)
movieDisList.sort(key=lambda x:x.distance)
for i in range(0,5):
    print(movieDisList[i])
结果如下

送人玫瑰手留余香
关注
  • 0
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
利用Python实现kNN算法的代码
09-18
主要介绍了利用Python实现kNN算法的代码，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
探索K近邻算法（KNN）：理论、实践与应用
m0_61281610的博客
10-09 172
K-近邻算法（K-Nearest Neighbors，简称K-NN）是一种基本的监督学习算法，用于分类和回归问题。它的工作原理非常简单，基于一个假设：与某个样本点最近的K个邻居的类别或属性可以用来预测该样本点的类别或属性。K-NN算法可用于分类问题，其中目标是将一个新的数据点分配到与其最近的K个训练数据点中最常见的类别。它也可用于回归问题，用于估计一个新数据点的数值属性。
K邻近算法（KNN）的原理和实例
最新发布
qq_64648934的博客
10-09 691
对这k个最近邻，查看他们的标签都属于何种类别，根据”少数服从多数，一点算一票”的原则进行判断，数量最多标签类别就是x的标签类别。KNN中的K代表的是距离需要分类的测试点x最近的K个样本点，如果不输入这个值，KNN算法中的重要部分“选出K个最近邻”就无法实现。优点： 简单，易于理解，易于实现，无需估计参数，无需训练（不需要花费任何时间做模型的构造）， 特别适合多分类问题，适合对稀有事件进行分类，精度高，对异常值不敏感，无数据输入假定。使用这个距离，欧氏空间成为度量空间，相关联的范数称为欧几里得范数。
数据挖掘十大算法之 k-NN
Python 自习室
01-22 786
kkk-NN (kkk-nearest neighbor) 由 Cover 和 Hart 于 1968 年提出，属于机器学习算法中的监督学习算法，可以用来解决分类和回归问题。 kkk-NN 的工作原理 为了对 kkk-NN 算法有个直观的认识，我们看个例子： 有两类物体 A 和 B，它们在坐标轴中的分布如上图所示。现在来了一个未知类别的物体，由图中的正方形表示，我们该把它归为哪一类呢？kkk-NN 算法的工作原理是看离待分类物体最近的 kkk 个物体的类别，这 kkk 个物体的大多数属于那个类别，待分类物
机器学习实战（一）：K-近邻算法（史上最全干货） 算法总结+案例实战
Tiger数学之家的博客
05-26 9884
k-近邻算法 k-近邻法简介 k近邻法(k-nearest neighbor, k-NN)是1967年由Cover T和Hart P提出的一种基本分类与回归方法。它的工作原理是：存在一个样本数据集合，也称作为训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一个数据与所属分类的对应关系。输入没有标签的新数据后，将新的数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本最...
K-近邻算法（k-NN）的原理及python代码案例实现
A496608119的博客
02-28 1997
1 K-NN算法的原理 1.1 K-NN概念 K Nearest Neighbor算法⼜叫KNN算法， 这个算法是机器学习⾥⾯⼀个⽐较经典的算法， 总体来说KNN算法是相对⽐ 较容易理解的算法。 定义： 如果⼀个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某⼀个类别， 则该样本也属于这 个类别。（起源：KNN最早是由Cover和Hart提出的一种分类算法）；俗话就是：根据“邻居”来推断出你的类别。 1.2 基本流程 1)计算已知类别数据集中...
KNN(最邻近值算法) scala实现
壮哥哥
03-26 2036
最邻近值算法实现 工程目录结构 代码 训练模型 package com.knn.model /** * 训练数据模型 * * @param aA 数据a * @param bA 数据b * @param typeA 类型 */ class KNNModel(aA:Double,bA:Double,typeA:String) { var a:Do...
最简单的分类算法之一：KNN（原理解析+代码实现）
热门推荐
KI的博客
07-12 13万+
KNN（K- Nearest Neighbor），即K最邻近算法，是数据挖掘分类技术中最简单的方法之一。简单来说，它是根据“邻近”这一特征来对样本进行分类。
java 实现 数据挖掘_数据挖掘(二)——Knn算法的java实现
weixin_33069291的博客
02-12 725
1、K-近邻算法(Knn)其原理为在一个样本空间中，有一些已知分类的样本，当出现一个未知分类的样本，则根据距离这个未知样本最近的k个样本来决定。举例：爱情电影和动作电影，它们中都存在吻戏和动作，出现一个未知分类的电影，将根据以吻戏数量和动作数量建立的坐标系中距离未知分类所在点的最近的k个点来决定。2、算法实现步骤(1)计算所有点距离未知点的欧式距离(2)对所有点进行排序(3)找到距离未知点最近的k...
《机器学习实战（Scala实现）》（二）——k-邻近算法
03-18 6330
算法流程1.计算中的set中每一个点与Xt的距离。 2.按距离增序排。 3.选择距离最小的前k个点。 4.确定前k个点所在的label的出现频率。 5.返回频率最高的label作为测试的结果。实现python# -*- coding: utf-8 -*- ''' Created on 2017年3月18日@author: soso ''' from numpy import * impo
KNN算法java实现
12-14
该KNN算法示例采用java实现，对数据分类算法的学习很有用，而且代码封装很好，简单易懂，极适合初学者
Python代码实现KNN算法
12-24
kNN算法是k-近邻算法的简称，主要用来进行分类实践，主要思路如下： 1.存在一个训练数据集，每个数据都有对应的标签，也就是说，我们知道样本集中每一数据和他对应的类别。 2.当输入一个新数据进行类别或标签判定时...
KNN算法Python实现代码.zip
04-03
KNN算法Python实现代码.zip
python实现KNN算法
07-25
内含数据集。先执行cut_data.py划分训练集和测试集，再执行main.py即可。
消消乐游戏算法实现（三消乐）
生活要继续的专栏
04-28 6万+
先上前端效果图 3消乐地图初始化的时候不允许有下面两种情况的发生，就是不允许3个（3个以上已经包含3个，所以只要判断3个就可以了）相同颜色的格子连在一起， 下图是两种情况，细分分为6种情况，就是初始点为3个格子中的一个为一种情况，所以细分2*3=6种情况
最短路径A*算法原理及java代码实现（看不懂是我的失败）
生活要继续的专栏
03-18 1万+
算法只要懂原理了，代码都是小问题，先看下面理论，尤其是红色标注的（要源码请留下邮箱，有测试用例，直接运行即可） A*算法 百度上的解释： A*[1] （A-Star)算法是一种静态路网中求解最短路最有效的直接搜索方法。 公式表示为： f(n)=g(n)+h(n), 其中 f(n) 是从初始点经由节点n到目标点的估价函数， g(n) 是在状态空间中从初始节点到n节点的实际代价， h
大数据处理算法一：BitMap算法
生活要继续的专栏
04-29 1万+
腾讯面试题：给20亿个不重复的unsigned int的整数，没排过序的，然后再给一个数，如何快速判断这个数是否在那40亿个数当中并且所耗内存尽可能的少？  解析:bitmap算法就好办多了  所谓bitmap，就是用每一位来存放某种状态，适用于大规模数据，但数据状态又不是很多的情况。通常是用来判断某个数据存不存在的。  例如，要判断一千万个人的状态，每个人只有两种状态：男人，女人，可以
二叉树算法（java）
生活要继续的专栏
05-15 9072
为什么实用二叉树一,在有序数组中插入删除数据太慢     1插入或者删除一条数据会移动后面的所有数据  二,在链表中查找数据太慢    2查找只能从头或者尾部一条一条的找用树解决问题     有没有一种插入和删除像链表那么快，查询可以向有序数组一样查得快那样就好了。 数实现了这些特点，称为了最有意思的数据结构之一树的术语如下图树分平衡树和非平衡树二叉树的类public class Tree { ...
大数据处理算法三：分而治之/hash映射 + hash统计 + 堆/快速/归并排序
生活要继续的专栏
04-29 4880
百度面试题1、海量日志数据，提取出某日访问百度次数最多的那个IP。 IP 是32位的，最多有个2^32个IP。同样可以采用映射的方法，比如模1000，把整个大文件映射为1000个小文件，再找出每个小文中出现频率最大的 IP（可以采用hash_map进行频率统计，然后再找出频率最大的几个）及相应的频率。然后再在这1000个最大的IP中，找出那个频率最大的IP，即 为所求。   百度面试题2、搜
knn算法的nmi计算python代码
06-01
下面是KNN算法的NMI计算Python代码示例： ```python from sklearn.metrics.cluster import normalized_mutual_info_score from sklearn.neighbors import KNeighborsClassifier from sklearn.datasets import make_...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值