Sklearn之KNN算法

KNN是一种基于监督学习的简单分类方法,无需显式的学习过程。算法通过计算测试样本与训练样本间的距离(常用欧氏距离),选取最近的K个邻居,依据邻居标签的众数来预测测试样本的类别。sklearn库提供了KNeighborsClassifier类实现KNN,关键参数包括n_neighbors(默认为5)、weights(默认'uniform')和p(默认为2,对应欧氏距离)。该类有fit()进行训练,predict()和predict_proba()进行预测,以及score()计算准确率。
摘要由CSDN通过智能技术生成

KNN算法原理

K近邻是机器学习中常见的分类方法之间,也是相对最简单的一种分类方法,属于监督学习范畴。其实K近邻并没有显式的学习过程,它的学习过程就是测试过程。

k近邻算法思想:先给你一个训练数据集D,包括每个训练样本对应的标签。然后给你一个新的测试样本T,问你测试样本的标签预测是什么,K近邻的方法就是找到T到D中每一个样本的相似度,然后根据相似度大小对D中样本排序,取前K个最相似的样本的标签的众数作为测试样本T的标签(即前K个样本投票决定)。具体相似度怎么度量,是根据测试样本到D中每个训练样本的距离度量,一般用的最多的是欧氏距离,也可以更广泛的p范数(欧氏距离是2范数)。 譬如曼哈顿距离。
在这里插入图片描述
当p=1时为曼哈顿距离,p=2时为最常用的欧氏距离。

基于sklearn包的KNN算法实现

import numpy as np
from sklearn import datasets  #包含很多数据集的模块
from sklearn.model_selection import train_test_spilt  #将训练集和测试集分开的模块
from sklearn.neighbors import KNeighborsClassifier  # K-近邻算法模块
import matplotlib.pyplot as plt

data = datasets.load_digits()  #导入数字数据集
data_x = data.data 
  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“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
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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