【学习笔记-机器学习实战】第二章 K-近邻算法

最新推荐文章于 2024-10-12 21:53:35 发布

lzh1366

最新推荐文章于 2024-10-12 21:53:35 发布

阅读量158

点赞数 1

文章标签：机器学习近邻算法人工智能

本文链接：https://blog.csdn.net/qq_40347399/article/details/121110502

版权

2.1 样例代码注解

参考代码：

from numpy import *
import operator

def classify0(inX, dataSet, labels, k):
    dataSetSize = dataSet.shape[0]  #获取矩阵行数
    a = tile(inX, (dataSetSize,1))
    diffMat = tile(inX, (dataSetSize,1)) - dataSet  #tile创建一个同shape的矩阵（即把inX复制dataSetSize遍）， 两矩阵相减，得到差值（计算inX到每个点的距离）
    sqDiffMat = diffMat**2  #差值矩阵平方
    sqDistances = sqDiffMat.sum(axis=1) #然后求和，得到距离的平方
    distances = sqDistances**0.5 #然后开方得到距离
    sortedDistIndicies = distances.argsort()   #argsort()返回排序后的原值的索引
    classCount={}          
    for i in range(k):
        voteIlabel = labels[sortedDistIndicies[i]]  #根据sortedDistIndicies[i]得到前k个数的原值索引，从而用该索引取到相应label
        classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1  #使用字典统计相应label数量
    sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)   #进行排序，最多的那个认为是结果
    return sortedClassCount[0][0]

def createDataSet():
    group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
    labels = ['A','A','B','B']
    return group, labels