🎩 欢迎来到技术探索的奇幻世界👨💻
📜 个人主页：@一伦明悦-CSDN博客
✍🏻 作者简介： C++软件开发、Python机器学习爱好者
🗣️ 互动与支持：💬评论 👍🏻点赞 📂收藏 👀关注+
如果文章有所帮助，欢迎留下您宝贵的评论，
点赞加收藏支持我，点击关注，一起进步！
引言
K近邻（K-Nearest Neighbors，简称KNN）算法是一种基本的分类和回归方法，它可以用于解决分类和回归问题。其核心思想可以简单描述如下：
原理
K近邻算法基于一个假设：相似的事物在很多情况下具有相似的性质。具体来说，在分类问题中，KNN算法根据某个样本在特征空间中与其最近的K个训练样本的标记来确定该样本的类别；在回归问题中，KNN算法则是根据该样本最近的K个训练样本的值来预测该样本的值。
工作流程
计算距离： 首先，计算待分类样本与训练集中所有样本的距离。常用的距离度量包括欧氏距离、曼哈顿距离、余弦相似度等。
选择K值： 确定K的取值，即要考虑多少个最近邻的样本。K的选择影响着分类或回归的结果，通常通过交叉验证或者经验选择一个合适的值。
确定邻居： 选出距离最近的K个样本。
进行预测：
- 分类问题： 对于分类问题，采用投票法（多数表决）来确定待分类样本所属的类别，即K个最近邻样本中出现最频繁的类别作为预测结果。
- 回归问题： 对于回归问题，通常采用平均值法，即将K个最近邻样本的值的平均值作为待预测样本的预测值。
特点和适用场景
- 简单有效： KNN是一种简单直观的算法，易于理解和实现。
- 非参数化： KNN算法不对数据的分布做出假设，因此在某些非线性数据的分类问题中表现较好。
- 适用性： 适用于小型数据集和中等大小的特征空间。
- 参数选择： K的选择对算法的性能有显著影响，选择不同的K值可能导致完全不同的结果。
正文
01-绘制均匀核函数和高斯核函数的函数曲线
这段代码是用来绘制两种核函数在一维数据上的图像，并将结果保存为图片。让我详细解释一下这段代码的具体步骤：
导入必要的库：
- 导入NumPy库，用于数值计算。
- 导入Pandas库，用于数据操作。
- 导入Matplotlib库中的Pyplot模块，用于数据可视化。
- 导入warnings模块，用于警告处理。
- 配置Matplotlib参数以支持中文显示，并避免负号显示乱码。
- 导入sklearn库中的linear_model模块、metrics模块中的classification_report函数、model_selection模块中的cross_validate和train_test_split函数、neighbors模块和preprocessing模块。
生成数据：
- 生成一个从-3到3均匀分布的包含100个数据点的一维数据d。
- 定义两种核函数对应的y值：
- y1为全为0.5的数组，表示均匀核函数对应的值。
- y2为高斯核函数对应的值，根据高斯分布的概率密度函数公式计算得出。
- 调整y1和y2的取值，使得在d小于-1和大于1时，y1和y2的取值为0，以展示核函数在特定区间内的变化。
绘制图像：
- 使用plt.plot方法绘制两种核函数在给定数据上的曲线图。
- 设置不同的linestyle以区分均匀核、高斯核和高斯核的理论形式（虚线）。
- 添加图例并设置标题，说明两种核函数的区别。
保存图片：
- 使用plt.savefig方法将生成的图像保存为一个名为"4.png"的文件，设置dpi为300，使得保存的图片具有更高的分辨率。
通过以上步骤，这段代码实现了对两种核函数在一维数据上的可视化，并将结果保存为图片，以便进一步分析和展示。
#本章需导入的模块
import numpy as np
import pandas as pd
impo
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
