knn分类器的实现和优化

最新推荐文章于 2024-07-31 14:19:45 发布

Titan_h

最新推荐文章于 2024-07-31 14:19:45 发布

阅读量729

点赞数

分类专栏：笔记 python 数据挖掘

本文链接：https://blog.csdn.net/qq_43541507/article/details/103429894

版权

本文深入探讨了K最近邻（KNN）分类器的实现过程，包括距离度量、K值选择及其对分类性能的影响。同时，文章讨论了KNN的优化策略，如kd树和球树等数据结构的应用，以及缓存邻居和权重调整等方法，旨在提高分类效率和准确性。

摘要由CSDN通过智能技术生成

#knn 的 具体实现步骤：
'''
1: 先导入数据
2：数据处理（标准化），分数据（x，y数据），测试集和训练集
3：然后进行处理（knn）的处理
4：评估结果
5：调试数据，当周围参照数据增大时的情况(交叉验证）
'''
#导入模块，数据计算的模块和处理csv 的模块
import  numpy as np
import  csv



dataset = "ionosphere.data"
#查看当前文档的位置
data = open("D:\\resu\\python_test\\打的程序\\程序\\ionosphere.data" , "r")
data = data.read()
#print(data)
#已知数据大小为 351行，34列。
X= np.zeros((351 , 34), dtype= 'float' )
#print(X) #此时只是建立了一个数据空间，并没有值
y = np.zeros((351 ,) , dtype = "bool"  )
#上面建立了数据集的模板 并没有数据集

''' 
1:开始加入数据集：
'''
with open(dataset ,"r") as imput_file:
    reder = csv.reader(imput_file)  #将文档以csv 的格式打开
    for i  ,row in enumerate(reder): # 将其标序号并一一枚举各个值
        data = [float(dataum) for dataum in row[