python 实现K近邻算法并进行可视化调用sklearn的knn算法进行结果对比

最新推荐文章于 2024-06-26 16:08:27 发布

t_dawei

最新推荐文章于 2024-06-26 16:08:27 发布

阅读量4k

点赞数 3

分类专栏：机器学习算法实现文章标签： knn K近邻算法分类 sklearn 机器学习

本文链接：https://blog.csdn.net/qq_21272857/article/details/86495532

版权

本文介绍了K近邻算法的基本思想，并详细阐述了KNN算法的实现步骤。通过编写代码展示了如何利用Python实现KNN算法，同时与sklearn库中的KNN算法进行了结果对比。文章最后提供了可视化结果，以帮助理解分类过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

K近邻算法思想：不知其人视其友

K近邻算法(knn)实现步骤：

计算当前点与已知类别数据集中的点的距离
距离递增排序，选出距离最小的k个点
确定前k个点类别出现的频率
将频率最高的类别作为当前点的预测分类

完整代码实现

#!/usr/bin/python
# -*- coding: utf-8 -*-
# @author: T


# 导入数据集
from sklearn.datasets import make_blobs
# 导入sklearn knn算法
from sklearn.neighbors import KNeighborsClassifier
# 导入数值计算库
import numpy as np 
# 导入画图库
import matplotlib.pyplot as plt
# 指定默认字体 解决画图中文乱码
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['font.family'] = 'sans-serif'
plt.rcParams['axes.unicode_minus'] = False

'''
K近邻算法 思想：不知其人视其友
'''
'''
K近邻算法（knn)实现步骤：
	1.计算当前点与已知类别数据集中的点的距离
	2.距离递增排序，选出距离最小的k个点
	3.确定前k个点类别出现的频率
	4.将频率最高的类别最为当前点的预测分类
'''

def knn(inX, dataSet