机器学习实战第三章KNN学习笔记1

最新推荐文章于 2023-05-08 16:18:23 发布
最新推荐文章于 2023-05-08 16:18:23 发布
阅读量199 收藏
点赞数
分类专栏： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_43751489/article/details/115335007
版权

https://github.com/wzy6642/Machine-Learning-in-Action-Python3
在此向本书的作者，代码整理者致敬。

监督学习使用两种类型的目标变量
    标称型：真假，动物分类集合{爬行类，鱼类}
    数值型：0.100,4200,100.43

# -*- coding: UTF-8 -*-
import numpy as np
import operator
def createDataSet():
    #四组二维特征
    group = np.array([[1,101],[5,89],[108,5],[115,8]])
    #四组特征的标签
    labels = ['爱情片','爱情片','动作片','动作片']
    return group, labels

"""
函数说明:kNN算法,分类器

Parameters:
    inX - 用于分类的数据(测试集)
    dataSet - 用于训练的数据(训练集)
    labes - 分类标签
    k - kNN算法参数,选择距离最小的k个点
Returns:
    sortedClassCount[0][0] - 分类结果
Modify:
    2017-07-13
"""
#             测试集，训练集，分类标签，k
def classify0(inX, dataSet, labels, k):
    #numpy函数shape[0]返回dataSet的行数
    dataSetSize = dataSet.shape[0]
    #  inX = [101,20]复制四次
    '''[
    [101  20]
    [101  20]
    [101  20]
    [101  20]
       ]
    然后减去测试集
    '''
    diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet
    
    #平方
    sqDiffMat = diffMat**2
    '''
    [[10000  6561]
     [ 9216  4761]
     [   49   225]
     [  196   144]]
    '''
    #sum()所有元素相加，sum(0)列相加，sum(1)行相加
    #[16561 13977   274   340]
    sqDistances = sqDiffMat.sum(axis=1)
    #开方，计算出距离
    distances = sqDistances**0.5
    #返回distances中元素从小到大排序后的索引值
    #[2 3 1 0]
    sortedDistIndices = distances.argsort()
    
    
    #定一个记录类别次数的字典
    classCount = {}
    for i in range(k):
        #取出前k个元素的类别
        voteIlabel = labels[sortedDistIndices[i]]
        #动作片  动作片  爱情片
        
        #dict.get(key,default=None),字典的get()方法,返回指定键的值,如果值不在字典中返回默认值。
        #计算类别次数 {'动作片': 2, '爱情片': 1}
        classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
        
    #key=operator.itemgetter(1)根据字典的值进行排序
    #key=operator.itemgetter(0)根据字典的键进行排序
    #reverse降序排序字典
    sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
    print(sortedClassCount)
    #返回次数最多的类别,即所要分类的类别
    return sortedClassCount[0][0]

group, labels = createDataSet()
#测试集
test = [101,20]
#                      测试集，训练集，分类标签，k
test_class = classify0(test, group, labels, 3)
#打印分类结果
#print(test_class)

[('动作片', 2), ('爱情片', 1)]

#case 2 约会网站使用K-近邻算法
from matplotlib.font_manager import FontProperties
import matplotlib.lines as mlines
import matplotlib.pyplot as plt
import time
import numpy as np
import operator

"""
函数说明：打开解析文件，对数据进行分类，1代表不喜欢，2代表魅力一般，3代表极具魅力

Parameters:
    filename - 文件名
    
Returns:
    returnMat - 特征矩阵
    classLabelVector - 分类label向量
    
Modify:
    2018-07-13
"""
def file2matrix(filename):
    # 打开文件
    fr = open(filename)
    # 读取文件所有内容
    arrayOlines = fr.readlines()
    # 得到文件行数
    numberOfLines = len(arrayOlines)
    # 生成矩阵numberOfLines行，3列的零元素矩阵
    returnMat = np.zeros((numberOfLines, 3))
    # 创建分类标签向量
    classLabelVector = []
    # 行的索引值
    index = 0
    # 读取每一行
    for line in arrayOlines:
        # 去掉每一行首尾的空白符，例如'\n','\r','\t',' '
        line = line.strip()
        # 将每一行内容根据'\t'符进行切片,本例中一共有4列
        #['40920', '8.326976', '0.953952', 'largeDoses']
        listFromLine = line.split('\t')
        # 将数据的前3列进行提取保存在returnMat矩阵中，也就是特征矩阵
        returnMat[index,:] = listFromLine[0:3]
        # 根据文本内容进行分类1：不喜欢；2：一般；3：喜欢
        if listFromLine[-1] == 'didntLike':
            classLabelVector.append(1)
        elif listFromLine[-1] == 'smallDoses':
            classLabelVector.append(2)
        elif listFromLine[-1] == 'largeDoses':
            classLabelVector.append(3)
        index += 1
    # 返回标签列向量以及特征矩阵
    return returnMat, classLabelVector

file_dating,file_label=file2matrix('C:/Users/18578/Desktop/Machine-Learning-in-Action-Python3-master/kNN_Project1/datingTestSet.txt')


file_dating

array([[4.0920000e+04, 8.3269760e+00, 9.5395200e-01],
       [1.4488000e+04, 7.1534690e+00, 1.6739040e+00],
       [2.6052000e+04, 1.4418710e+00, 8.0512400e-01],
       ...,
       [2.6575000e+04, 1.0650102e+01, 8.6662700e-01],
       [4.8111000e+04, 9.1345280e+00, 7.2804500e-01],
       [4.3757000e+04, 7.8826010e+00, 1.3324460e+00]])

file_label[0:20]

[3, 2, 1, 1, 1, 1, 3, 3, 1, 3, 1, 1, 2, 1, 1, 1, 1, 1, 2, 3]

import matplotlib
import matplotlib.pyplot as plt
fig = plt.figure() 
ax = fig.add_subplot(111) 
#ax.scatter(file_dating[:,1],file_dating[:,2]) 
ax.scatter(file_dating[:,1], file_dating[:,2],
15.0*array(file_label), 15.0*array(file_label))
plt.show()

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-XVXBpsdq-1617107010640)(output_7_0.png)]

#归一化
"""
Parameters:
    dataSet - 特征矩阵
Returns:
    normDataSet - 归一化后的特征矩阵
    ranges - 数据范围
    minVals - 数据最小值
"""
# 函数说明:对数据进行归一化
def autoNorm(dataSet):
    #获得数据的最小值
    minVals = dataSet.min(0)
    maxVals = dataSet.max(0)
    #最大值和最小值的范围
    ranges = maxVals - minVals
    #shape(dataSet)返回dataSet的矩阵行列数
    normDataSet = np.zeros(np.shape(dataSet))
    #返回dataSet的行数
    m = dataSet.shape[0]
    #原始值减去最小值
    normDataSet = dataSet - np.tile(minVals, (m, 1))
    #除以最大和最小值的差,得到归一化数据
    normDataSet = normDataSet / np.tile(ranges, (m, 1))
    #返回归一化数据结果,数据范围,最小值
    return normDataSet, ranges, minVals


if __name__ == '__main__':
    #打开的文件名
    filename = "C:/Users/18578/Desktop/Machine-Learning-in-Action-Python3-master/kNN_Project1/datingTestSet.txt"
    #打开并处理数据
    datingDataMat, datingLabels = file2matrix(filename)
    normDataSet, ranges, minVals = autoNorm(datingDataMat)
    print(normDataSet)
    print(ranges)
    print(minVals)




[[0.44832535 0.39805139 0.56233353]
 [0.15873259 0.34195467 0.98724416]
 [0.28542943 0.06892523 0.47449629]
 ...
 [0.29115949 0.50910294 0.51079493]
 [0.52711097 0.43665451 0.4290048 ]
 [0.47940793 0.3768091  0.78571804]]
[9.1273000e+04 2.0919349e+01 1.6943610e+00]
[0.       0.       0.001156]

# -*- coding: UTF-8 -*-
import numpy as np
import operator

"""
函数说明:kNN算法,分类器

Parameters:
    inX - 用于分类的数据(测试集)
    dataSet - 用于训练的数据(训练集)
    labes - 分类标签
    k - kNN算法参数,选择距离最小的k个点
Returns:
    sortedClassCount[0][0] - 分类结果

Modify:
    2017-03-24
"""
def classify0(inX, dataSet, labels, k):
    #numpy函数shape[0]返回dataSet的行数
    dataSetSize = dataSet.shape[0]
    #在列向量方向上重复inX共1次(横向),行向量方向上重复inX共dataSetSize次(纵向)
    diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet
    #二维特征相减后平方
    sqDiffMat = diffMat**2
    #sum()所有元素相加,sum(0)列相加,sum(1)行相加
    sqDistances = sqDiffMat.sum(axis=1)
    #开方,计算出距离
    distances = sqDistances**0.5
    #返回distances中元素从小到大排序后的索引值
    sortedDistIndices = distances.argsort()
    #定一个记录类别次数的字典
    classCount = {}
    for i in range(k):
        #取出前k个元素的类别
        voteIlabel = labels[sortedDistIndices[i]]
        #dict.get(key,default=None),字典的get()方法,返回指定键的值,如果值不在字典中返回默认值。
        #计算类别次数
        classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
    #python3中用items()替换python2中的iteritems()
    #key=operator.itemgetter(1)根据字典的值进行排序
    #key=operator.itemgetter(0)根据字典的键进行排序
    #reverse降序排序字典
    sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
    #返回次数最多的类别,即所要分类的类别
    return sortedClassCount[0][0]

"""
函数说明:打开并解析文件，对数据进行分类：1代表不喜欢,2代表魅力一般,3代表极具魅力

Parameters:
    filename - 文件名
Returns:
    returnMat - 特征矩阵
    classLabelVector - 分类Label向量

Modify:
    2017-03-24
"""
def file2matrix(filename):
    #打开文件
    fr = open(filename)
    #读取文件所有内容
    arrayOLines = fr.readlines()
    #得到文件行数
    numberOfLines = len(arrayOLines)
    #返回的NumPy矩阵,解析完成的数据:numberOfLines行,3列
    returnMat = np.zeros((numberOfLines,3))
    #返回的分类标签向量
    classLabelVector = []
    #行的索引值
    index = 0
    for line in arrayOLines:
        #s.strip(rm)，当rm空时,默认删除空白符(包括'\n','\r','\t',' ')
        line = line.strip()
        #使用s.split(str="",num=string,cout(str))将字符串根据'\t'分隔符进行切片。
        listFromLine = line.split('\t')
        #将数据前三列提取出来,存放到returnMat的NumPy矩阵中,也就是特征矩阵
        returnMat[index,:] = listFromLine[0:3]
        #根据文本中标记的喜欢的程度进行分类,1代表不喜欢,2代表魅力一般,3代表极具魅力
        if listFromLine[-1] == 'didntLike':
            classLabelVector.append(1)
        elif listFromLine[-1] == 'smallDoses':
            classLabelVector.append(2)
        elif listFromLine[-1] == 'largeDoses':
            classLabelVector.append(3)
        index += 1
    return returnMat, classLabelVector

"""
函数说明:对数据进行归一化

Parameters:
    dataSet - 特征矩阵
Returns:
    normDataSet - 归一化后的特征矩阵
    ranges - 数据范围
    minVals - 数据最小值

Modify:
    2017-03-24
"""
def autoNorm(dataSet):
    #获得数据的最小值
    minVals = dataSet.min(0)
    maxVals = dataSet.max(0)
    #最大值和最小值的范围
    ranges = maxVals - minVals
    #shape(dataSet)返回dataSet的矩阵行列数
    normDataSet = np.zeros(np.shape(dataSet))
    #返回dataSet的行数
    m = dataSet.shape[0]
    #原始值减去最小值
    normDataSet = dataSet - np.tile(minVals, (m, 1))
    #除以最大和最小值的差,得到归一化数据
    normDataSet = normDataSet / np.tile(ranges, (m, 1))
    #返回归一化数据结果,数据范围,最小值
    return normDataSet, ranges, minVals


"""
函数说明:分类器测试函数

Parameters:
    无
Returns:
    normDataSet - 归一化后的特征矩阵
    ranges - 数据范围
    minVals - 数据最小值

Modify:
    2017-03-24
"""
def datingClassTest():
    #打开的文件名
    filename = "C:/Users/18578/Desktop/Machine-Learning-in-Action-Python3-master/kNN_Project1/datingTestSet.txt"
    #将返回的特征矩阵和分类向量分别存储到datingDataMat和datingLabels中
    datingDataMat, datingLabels = file2matrix(filename)
    #取所有数据的百分之十
    hoRatio = 0.10
    #数据归一化,返回归一化后的矩阵,数据范围,数据最小值
    normMat, ranges, minVals = autoNorm(datingDataMat)
    #获得normMat的行数
    m = normMat.shape[0]
    #百分之十的测试数据的个数
    numTestVecs = int(m * hoRatio)
    #分类错误计数
    errorCount = 0.0

    for i in range(numTestVecs):
        #前numTestVecs个数据作为测试集,后m-numTestVecs个数据作为训练集
        classifierResult = classify0(normMat[i,:], normMat[numTestVecs:m,:],
            datingLabels[numTestVecs:m], 4)
        print("分类结果:%d\t真实类别:%d" % (classifierResult, datingLabels[i]))
        if classifierResult != datingLabels[i]:
            errorCount += 1.0
    print("错误率:%f%%" %(errorCount/float(numTestVecs)*100))

"""
函数说明:main函数

Parameters:
    无
Returns:
    无

Modify:
    2017-03-24
"""
if __name__ == '__main__':
    datingClassTest()


分类结果:3	真实类别:3
分类结果:2	真实类别:2
分类结果:1	真实类别:1
分类结果:1	真实类别:1
分类结果:1	真实类别:1
分类结果:1	真实类别:1
分类结果:3	真实类别:3
分类结果:3	真实类别:3
分类结果:1	真实类别:1
分类结果:3	真实类别:3
分类结果:1	真实类别:1
分类结果:1	真实类别:1
分类结果:2	真实类别:2
分类结果:1	真实类别:1
分类结果:1	真实类别:1
分类结果:1	真实类别:1
分类结果:1	真实类别:1
分类结果:1	真实类别:1
分类结果:2	真实类别:2
分类结果:3	真实类别:3
分类结果:2	真实类别:2
分类结果:1	真实类别:1
分类结果:2	真实类别:2
分类结果:3	真实类别:3
分类结果:2	真实类别:2
分类结果:3	真实类别:3
分类结果:2	真实类别:2
分类结果:3	真实类别:3
分类结果:2	真实类别:2
分类结果:1	真实类别:1
分类结果:3	真实类别:3
分类结果:1	真实类别:1
分类结果:3	真实类别:3
分类结果:1	真实类别:1
分类结果:2	真实类别:2
分类结果:1	真实类别:1
分类结果:1	真实类别:1
分类结果:2	真实类别:2
分类结果:3	真实类别:3
分类结果:3	真实类别:3
分类结果:1	真实类别:1
分类结果:2	真实类别:2
分类结果:3	真实类别:3
分类结果:3	真实类别:3
分类结果:3	真实类别:3
分类结果:1	真实类别:1
分类结果:1	真实类别:1
分类结果:1	真实类别:1
分类结果:1	真实类别:1
分类结果:2	真实类别:2
分类结果:2	真实类别:2
分类结果:1	真实类别:1
分类结果:3	真实类别:3
分类结果:2	真实类别:2
分类结果:2	真实类别:2
分类结果:2	真实类别:2
分类结果:2	真实类别:2
分类结果:3	真实类别:3
分类结果:1	真实类别:1
分类结果:2	真实类别:2
分类结果:1	真实类别:1
分类结果:2	真实类别:2
分类结果:2	真实类别:2
分类结果:2	真实类别:2
分类结果:2	真实类别:2
分类结果:2	真实类别:2
分类结果:3	真实类别:3
分类结果:2	真实类别:2
分类结果:3	真实类别:3
分类结果:1	真实类别:1
分类结果:2	真实类别:2
分类结果:3	真实类别:3
分类结果:2	真实类别:2
分类结果:2	真实类别:2
分类结果:3	真实类别:1
分类结果:3	真实类别:3
分类结果:1	真实类别:1
分类结果:1	真实类别:1
分类结果:3	真实类别:3
分类结果:3	真实类别:3
分类结果:1	真实类别:1
分类结果:2	真实类别:2
分类结果:3	真实类别:3
分类结果:3	真实类别:1
分类结果:3	真实类别:3
分类结果:1	真实类别:1
分类结果:2	真实类别:2
分类结果:2	真实类别:2
分类结果:1	真实类别:1
分类结果:1	真实类别:1
分类结果:3	真实类别:3
分类结果:2	真实类别:3
分类结果:1	真实类别:1
分类结果:2	真实类别:2
分类结果:1	真实类别:1
分类结果:3	真实类别:3
分类结果:3	真实类别:3
分类结果:2	真实类别:2
分类结果:2	真实类别:1
分类结果:1	真实类别:1
错误率:4.000000%
Xiaoweidumpb
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
《机器学习实战》kNN学习笔记（一）
01-20
概述 k-近邻算法采用测量不同特征值之间的距离方法进行分类 优缺点 优点：精度高、对异常值不敏感、唔数据输入假定 缺点：计算复杂度高、空间复杂度高。 适用数据范围：数值型和标称型 标称型：标称型目标变量的结果...
机器学习实战一：knn算法 约会网站
12-20
1、sklearn库 import numpy as np import pandas as pd from sklearn.model_selection import train_test_split from sklearn.neighbors import KNeighborsClassifier df = pd.read_table('D:\datingTestSet2.txt',...
Python实现线性回归、逻辑回归、KNN、SVM、朴素贝叶斯、决策树、K-Means7种机器学习算法的经典案例——亲测可用
08-04
Python实现线性回归、逻辑回归、KNN、SVM、朴素贝叶斯、决策树、K-Means7种机器学习算法的经典案例——亲测可用
四种经典机器学习算法测试——Bayes, SVM, 决策树, K-Means
Moon小木
05-07 1402
个人博客：wyxogo.top 给定数据集“Sort_1000pics”，该数据集包含1000张彩色图片，分为10类。使用Bayes，SVM，决策树，K-Means四种算法对该数据集进行分类，输出各算法的混淆矩阵，准确率，时间效率等测试结果。 数据集 Sort_1000pics数据集由1000图片组成，分为人、沙滩、建筑、卡车、恐龙、大象、花朵、马、山峰、食物10大类。 实验方案 生成数据与标签 import cv2 import numpy as np class DataLoader(obje...
机器学习分类算法SVM、逻辑回归、KNN---鸢尾花数据分类
步北宸的博客
11-15 3058
import numpy as np import pandas as pd import seaborn as sns import matplotlib.pyplot as plt 加载数据 iris = pd.read_csv('E:/练习/Iris.csv') iris.head() id SepalLengthCm SepalWidthCm PetalLengthCm PetalWidthCm
机器学习中SVM、决策树、逻辑回归、K近邻算法python代码实现
WYKB_Mr_Q的博客
02-18 1775
机器学习中SVM、决策树、逻辑回归、K近邻算法python代码实现 上篇文章咱已经叙述了如何从excel表中读取保存的数据特征及类别标签，这篇文章主要介绍机器学习中常用到的算法python代码实现方式，主要包括SVM、决策树、逻辑回归和K近邻算法。 这是上篇文章中我们使用到的数据特征，前六列是特征向量，第七列是数据标签。这篇文章默认已经把数据读出来了（如果不会读取数据的小伙伴可以去看我的上一篇文章）。 首先我们观察到x1-x6的特征相差太大，x1的单位是0.000几，而x6的单位较大有1000以上，所以这
常用的机器学习算法（使用 Python 和 R 代码）
chengchen2018的博客
04-01 2722
以下集合包括了最常用的10种机器学习算法在Python和R中的代码对比： ① 线性回归算法（Linear Regression） ② 逻辑回归算法（Logistic Regression） ③ 决策树算法（Decision Tree） ④ 支持向量机算法（SVM） ⑤ 朴素贝叶斯算法（Naive Bayes） ⑥ K邻近算法（k- Nearest Neighbors,kNN） ⑦ K均值算法（k-Means） ⑧ 随机森林算法（Random Forest） ⑨ 主成分分析算法（PCA）
机器学习实战 鲍鱼年龄预测 knn svm 逻辑回归 有代码可运行
06-20
机器学习实战 鲍鱼年龄预测 knn svm 逻辑回归 有代码可运行 机器学习实战 鲍鱼年龄预测 knn svm 逻辑回归 有代码可运行
python机器学习实战之最近邻kNN分类器
12-23
K近邻法是有监督学习方法，原理很简单，假设我们有一堆分好类的...# 测试代码 约会数据分类 import KNN KNN.datingClassTest1() 标签为字符串 KNN.datingClassTest2() 标签为整形 # 测试代码 手写字体分类 import KNN
机器学习之分类（含决策树，SVM，knn，bayes)
weixin_46689344的博客
11-16 2452
今天晚上趁着云计算选修课的时间来更新一波。。。。。。 最近一直没啥时间，在做自然语言处理，HDR相关的一些工作（之后有机会会更新），这次试验有点小小的仓促。唉，不得不说，大三，属实开始忙碌起来了。 这次的内容包含四个基本的分类算法。其中，决策树，knn为调用库函数方法，SVM,bayes为手写代码。本博文重在代码实现，笔者对其思想不做过多描述，建议最好在了解其方法思想进行代码实现时观看。 笔者依旧来给实验报告打个草稿，也给各位看官一些参考。 笔者在整理资料时，在平台上参考了不少资料，在此表示感谢。.
机器学习项目实战--基于鸢尾花数据集（python代码，多种算法对比：决策树、SVM、k近邻）
热门推荐
qq_40683479的博客
04-18 2万+
机器学习项目实战----基于鸢尾花数据集（python代码，多种算法对比：决策树、SVM、k近邻） 1、项目介绍 鸢尾花数据集是机器学习入门的一个十分经典的数据集，这里依然简单的介绍一下这个项目是做什么的，通过花萼长度，花萼宽度，花瓣长度，花瓣宽度4个属性预测鸢尾花卉属于（Setosa，Versicolour，Virginica）三个种类中的哪一类。在这篇博客中，我们将在此数据集上同时构建多个机器...
机器学习之KNN算法，朴素贝叶斯，决策树，SVM算法比较
qq_46556714的博客
04-30 1435
KNN算法 knn = KNeighborsClassifier ( ) 朴素贝叶斯 gnb = GaussianNB ( ) 决策树 dtc = DecisionTreeClassifier ( ) SVM算法 svm = SVC () 代码： import numpy as np import matplotlib.pyplot as plt from itertools import product from sklearn import datasets from sklearn.neigh
（8）机器学习——SVM、决策树、朴素贝叶斯、KNN、K-means、随机森林、Adaboost
zjj1910066023的博客
05-25 4793
一、SVM（支持向量机） 示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。 二、使用步骤 1.引入库 代码如下（示例）： import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns import warnings warnings.filterwarnings('ignore') import ssl ssl._create_defaul
机器学习十大算法实现代码汇总（python）----线性回归、逻辑回归、决策树、支持向量机、朴素贝叶斯、K邻近算法、K-均值算法、随机森林、降低维度算法、梯度增强算法
weixin_43580130的博客
08-06 3585
目录引入一、线性回归 (Linear Regression)二、逻辑回归 (Logistic Regression)三、决策树 (Decision Tree)四、支持向量机算法 (Support Vector Machine,SVM)五、K邻近算法（K-Nearest Neighbors，KNN）六、K-均值算法（K-means）七、朴素贝叶斯 (Naive Bayes)八、随机森林 (Random Forest)九、降低维度算法（Dimensionality Reduction）十、梯度增强算法Gradi
《人工智能》机器学习 - 第2章 KNN算法【分类】（二 算法实战）
不问归期的博客
09-12 2201
2.2 KNN算法实践 2.2.1 KNN算法简单实现-电影分类 2.2.1.1准备数据集 我们可以使用numpy直接创建，代码如下： import numpy as np ""&a
机器学习实战（一）：K近邻算法（sklearn）
天风的人工智能博客
10-22 1651
Scikit learn 也简称sklearn，是机器学习领域当中最知名的python模块之一。Classification 分类Regression 回归Clustering 非监督分类Dimensionality reduction 数据降维Model Selection 模型选择Preprocessing 数据与处理使用sklearn可以很方便地让我们实现一个机器学习算法。一个复杂度算法的实现，使用sklearn可能只需要调用几行API即可。
k-means、决策树、svm算法总结
weixin_42601270的博客
05-08 1673
一种典型的学习算法，主要用于将相似的样本自动归到一个类别中。在聚类算法中根据样本之间的相似性，将样本划分到不同的类别中，对于不同的相似度计算方法，会得到不同的聚类结果，常用的相似度计算方法有欧式距离法。
K近邻、SVM、决策树等机器学习算法的应用场景是什么？
weixin_43373042的博客
01-15 365
k近邻、贝叶斯、决策树、SVM、逻辑斯蒂回归和最大熵模型、隐马尔科夫、条件随机场、Adaboost、EM 这些在一般工作中分别用到的频率多大？一般用途是什么？需要注意什么？作者：King Jameshttps://www.zhihu.com/question/26726794/answer/1048590114首先简要的回答一下：楼主说的这些算法，在目前国内工业界应用机器学习最多的一些场景中使用频...
python决策树算法代码_python编写分类决策树的代码
weixin_39834678的博客
11-28 355
决策树通常在机器学习中用于分类。优点：计算复杂度不高，输出结果易于理解，对中间值缺失不敏感，可以处理不相关特征数据。缺点：可能会产生过度匹配问题。适用数据类型：数值型和标称型。1.信息增益划分数据集的目的是：将无序的数据变得更加有序。组织杂乱无章数据的一种方法就是使用信息论度量信息。通常采用信息增益，信息增益是指数据划分前后信息熵的减少值。信息越无序信息熵越大，获得信息增益最高的特征就是最好的选择...
使用sklearn机器学习算法库中的KNN算法实现手写数字识别
最新发布
11-29
以下是使用sklearn机器学习算法库中的KNN算法实现手写数字识别的步骤和代码： 1.导入所需库和数据集 ```python from sklearn.neighbors import KNeighborsClassifier from sklearn.datasets import load_digits ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值