k-近邻算法

最新推荐文章于 2022-07-02 22:39:19 发布

格林黄

最新推荐文章于 2022-07-02 22:39:19 发布

阅读量230

点赞数

分类专栏：机器学习实战

本文链接：https://blog.csdn.net/apity123/article/details/104201857

版权

机器学习实战专栏收录该内容

3 篇文章 0 订阅

订阅专栏

#科学计算包
from numpy import *
# 运算符模块
import operator
def createDataSet():
    group = array([
        [1.0,1.1],
        [1.0,1.0],
        [0,0],
        [0,0.1],
        [0,0.2]
    ])
    #label包含每个数据点的标签信息
    #label包含的元素个数等于group矩阵行数

    labels = ['A','A','B','B','B']
    return group,labels
group,labels = createDataSet()
print(group)
print(labels)
#对位置类别属性的数据集中的每个点依次执行一下操作
# 计算已知类别数据集中的点与当前点之间的距离
# 按照距离递增次序排序
# 选取与当前点距离最小的k个点
# 确定前k个点所在类别的出现频率
# 返回前k个点出现频率最高的类别作为当前点的预测分类
def classify0(inX,dataSet,labels,k):
    dataSetSize = dataSet.shape[0]
    diffMat = tile(inX,(dataSetSize,1)) -dataSet
    print(diffMat)
    sqDiffMat = diffMat**2
    print(sqDiffMat)
    sqDistances = sqDiffMat.sum(axis=1)
    print(sqDistances)
    distances = sqDistances**0.5
    print(distances)
    #返回的是数组值从小到大的索引值
    sortedDistIndicies = distances.argsort()
    classCount={}
    for i in range(k):
        voteIlabel = labels[sortedDistIndicies[i]]
        # 函数返回指定键的值，如果值不在字典中返回默认值
        classCount[voteIlabel] = classCount.get(voteIlabel,0)+1
    sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
    print(sortedClassCount)
    return sortedClassCount[0][0]
sortedDistIndicies = classify0([4,5],group,labels,4)
print(sortedDistIndicies)