河南大学-机器学习-实验三KNN 算法实践

最新推荐文章于 2024-07-08 22:12:26 发布

子非鱼o.0？

最新推荐文章于 2024-07-08 22:12:26 发布

阅读量243

点赞数 4

文章标签：算法机器学习人工智能

本文链接：https://blog.csdn.net/m0_68231248/article/details/137028750

版权

本文介绍了如何使用KNN算法对电影类型进行预测，通过给出的训练数据集，对老友记进行预测，结果显示其属于喜剧片类别。

摘要由CSDN通过智能技术生成

实验目的

掌握KNN算法原理；

2.编程实现KNN算法，并应用与具体案例

实验内容

使用KNN进行电影类型预测：

给定训练样本集合如下：

求解：testData={"老友记": [29, 10, 2, "？片"]}。

实验步骤及实验结果

#encoding=UTF-8
import numpy as np

# 1 给定训练数据集
learning_dataset = {"宝贝当家": [45, 2, 9, "喜剧片"],
                    "美人鱼": [21, 17, 5, "喜剧片"],
                    "澳门风云3": [54, 9, 11, "喜剧片"],
                    "功夫熊猫3": [39, 0, 31, "喜剧片"],
                    "谍影重重": [5, 2, 57, "动作片"],
                    "叶问3": [3, 2, 65, "动作片"],
                    "伦敦陷落": [2, 3, 55, "动作片"],
                    "我的特工爷爷": [6, 4, 21, "动作片"],
                    "奔爱": [7, 46, 4, "爱情片"],
                    "夜孔雀": [9, 39, 8, "爱情片"],
                    "代理情人": [9, 38, 2, "爱情片"],
                    "新步步惊心": [8, 34, 17, "爱情片"]}

# 2 给定测试数据，利用KNN判断所属类别，令k=6
testData = {"老友记": [29, 10, 2, "？片"]}
k = 6

# 3:计算测试样本与数据集中所有数据的距离，保存在disList
disList = []
dataPoint = list(testData.values())[0][0:3]
for key, value in learning_dataset.items():
    dis = np.sqrt(np.sum(np.square(np.array(dataPoint) - np.array(value[0:3]))))
    disList.append((key, dis))

# 4:按照距离大小进行排序，取出前k个距离最小样本
disList.sort(key=lambda x: x[1])
nearest_k = disList[:k]

# 5 从k中统计哪个类别标签最多, 结果保存到 result
labels = {"喜剧片": 0, "动作片": 0, "爱情片": 0}
for item in nearest_k:
    label = learning_dataset[item[0]][3]
    labels[label] += 1

result = max(labels, key=labels.get)

# 6 输出测试结果
print('testdata belong to', result)