【MachineLearning】之 K-近邻算法实现

最新推荐文章于 2023-08-22 09:05:17 发布

fanfan4569

最新推荐文章于 2023-08-22 09:05:17 发布

阅读量202

点赞数

分类专栏：【MachineLearning】文章标签： KNN

本文链接：https://blog.csdn.net/fanfan4569/article/details/81867402

版权

该博客介绍了K-近邻(KNN)算法的实现步骤，包括数据准备、距离计算、邻居选择和决策分类。通过实例展示了如何使用欧式距离和多数表决法进行分类预测，并探讨了K值对预测结果的影响，利用可视化工具展示KNN算法的决策过程。

摘要由CSDN通过智能技术生成

一、步骤

数据准备：通过数据清洗，数据处理，将每条数据整理成向量。
计算距离：计算测试数据与训练数据之间的距离。
寻找邻居：找到与测试数据距离最近的 K 个训练数据样本。
决策分类：根据决策规则，从 K 个邻居得到测试数据的类别。

这里写图片描述

下面尝试一个KNN分类流程

（1）数据生成

"""生成示例数据
"""
import numpy as np


def create_data():
    features = np.array(
        [[2.88, 3.05], [3.1, 2.45], [3.05, 2.8], [2.9, 2.7], [2.75, 3.4],
         [3.23, 2.9], [3.2, 3.75], [3.5, 2.9], [3.65, 3.6], [3.35, 3.3]])
    labels = ['A', 'A', 'A', 'A', 'A', 'B', 'B', 'B', 'B', 'B']
    return features, labels