Numpy实现KNN,【大牛疯狂教学】

from future import print_function, division

import numpy as np

from mlfromscratch.utils import euclidean_distance

class KNN():

“”" K Nearest Neighbors classifier.

Parameters:


k: int

The number of closest neighbors that will determine the class of the

sample that we wish to predict.

“”"

def init(self, k=5):

self.k = k

一、Python所有方向的学习路线

Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照下面的知识点去找对应的学习资源,保证自己学得较为全面。

img
img

二、Python必备开发工具

工具都帮大家整理好了,安装就可直接上手!img

三、最新Python学习笔记

当我学到一定基础,有自己的理解能力的时候,会去阅读一些前辈整理的书籍或者手写的笔记资料,这些笔记详细记载了他们对一些技术点的理解,这些理解是比较独到,可以学到不一样的思路。

img

四、Python视频合集

观看全面零基础学习视频,看视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。

img

五、实战案例

纸上得来终觉浅,要学会跟着视频一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。img

六、面试宝典

在这里插入图片描述

在这里插入图片描述

简历模板在这里插入图片描述

小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。

深知大多数初中级Python工程师,想要提升技能,往往是自己摸索成长或者是报班学习,但自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!

因此收集整理了一份《2024年Python爬虫全套学习资料》送给大家,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。

由于文件比较大,这里只是将部分目录截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频

如果你觉得这些内容对你有帮助,可以添加下面V无偿领取!(备注:python)
img

如果你觉得这些内容对你有帮助,可以添加下面V无偿领取!(备注:python)**
[外链图片转存中…(img-gDRWxVzk-1710973081894)]

  • 3
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
KNN(K-Nearest Neighbors)是一种基本的分类和回归算法,其中KNN分类算法根据K个最近邻居的标签来预测新数据点的标签。在这里,我们将使用numpy实现KNN算法来分类鸢尾花数据集。 首先,我们需要加载鸢尾花数据集,可以使用sklearn库中的load_iris()函数来加载数据集。代码如下: ```python from sklearn.datasets import load_iris iris = load_iris() X = iris.data y = iris.target ``` 然后,我们需要将数据集分为训练数据和测试数据,通常将数据集的70%用于训练,30%用于测试。我们可以使用sklearn库中的train_test_split()函数来实现。代码如下: ```python from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) ``` 接下来,我们需要计算测试数据集中每个数据点与训练数据集中每个数据点之间的距离。我们可以使用欧几里得距离公式来计算数据点之间的距离。代码如下: ```python import numpy as np def euclidean_distance(x1, x2): return np.sqrt(np.sum((x1 - x2)**2)) class KNN: def __init__(self, k=3): self.k = k def fit(self, X, y): self.X_train = X self.y_train = y def predict(self, X): y_pred = [self._predict(x) for x in X] return np.array(y_pred) def _predict(self, x): distances = [euclidean_distance(x, x_train) for x_train in self.X_train] k_idx = np.argsort(distances)[:self.k] k_neighbor_labels = [self.y_train[i] for i in k_idx] most_common = Counter(k_neighbor_labels).most_common(1) return most_common[0][0] ``` 在KNN类中,我们定义了fit()函数来训练模型,predict()函数来预测测试数据集中的标签,_predict()函数来计算每个测试数据点的标签。在_predict()函数中,我们计算测试数据点与每个训练数据点之间的距离,选择k个最近邻居,并使用Counter函数来计算最常见的标签并进行预测。 最后,我们可以使用以上定义的KNN类来预测测试数据集中的标签。代码如下: ```python from collections import Counter k = 3 clf = KNN(k=k) clf.fit(X_train, y_train) y_pred = clf.predict(X_test) accuracy = np.sum(y_pred == y_test) / len(y_test) print("Accuracy:", accuracy) ``` 输出结果为: ``` Accuracy: 1.0 ``` 这意味着我们的模型在测试数据集中的所有数据点上都有100%的准确率。

“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