机器学习-KNN算法代码详解

最新推荐文章于 2024-05-09 19:20:18 发布

manjhOK

最新推荐文章于 2024-05-09 19:20:18 发布

阅读量1.1k

点赞数 1

分类专栏：机器学习 KNN 文章标签：机器学习 KNN

本文链接：https://blog.csdn.net/manjhOK/article/details/78494240

版权

本文详细介绍了机器学习中的KNN（K-Nearest Neighbors）算法，从理论基础到代码实现，涵盖距离度量、K值选择及其影响、算法优缺点等方面，帮助读者深入理解并掌握KNN算法。

摘要由CSDN通过智能技术生成

from numpy import *
import operator
from os import listdir

def classify0(inX, dataSet, labels, k):  #inx 是输入的数据杭矩阵，dateset是已经知道标签的数据集，lables是该标签，k是距离最精需要比较的个数
    dataSetSize = dataSet.shape[0]          #获取训练数据的个数，在这里也是行数
    diffMat = tile(inX, (dataSetSize,1)) - dataSet          #将inx复制了datesetsize行，与训练矩阵相-
    sqDiffMat = diffMat**2                                      #将diffmat矩阵中的每个数平方
    sqDistances = sqDiffMat.sum(axis=1)                     #axis=1，将各自行中的数据求和，得到多行一列矩阵
    distances = sqDistances**0.5
    sortedDistIndicies = distances.argsort()                #从小到大排序，返回的是他们的索引
    classCount={}                                           #字典，key为v哦忒喇叭了，值为出现的次数
    for i in range(k):                                      #统计前k个距离最近的数据，统计相应标签出现的频次，并返回标签频次最高的训练数据的标签
        voteIlabel = labels[sortedDistIndicies[i]]
        classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1#.get（）函数当voteilable存在时，返回他的值，不存在时返回默认的0
    sortedClassCount = sorted(classCount.iteritems(), key=operator.itemgetter(1), reverse=True)#key=1,以字典的值降序排列
    return sortedClassCount[0][0]