KNN的算法实现
首先创建演示数据集
import numpy as np
import matplotlib.pyplot as plt
# 给出训练数据以及对应的类别
def createDataSet():
group = np.array([[1.0, 2.0], [1.2, 0.1], [0.1, 1.4], [0.3, 3.5], [1.1, 1.0], [0.5, 1.5]])
labels = np.array(['A', 'A', 'B', 'B', 'A', 'B'])
return group, labels
if __name__ == '__main__':
group, labels = createDataSet()
plt.scatter(group[labels == 'A', 0], group[labels == 'A', 1], color='r', marker='*')
# 对应类别为A的数据集我们使用红色六角形表示
plt.scatter(group[labels == 'B', 0], group[labels == 'B', 1], color='g', marker='+')
# 对应类别为B的数据集我们使用绿色十字形表示
plt.show()
代码介绍:
- createDataSet用于创建训练数据集及其对应的类别,group对应的是二维训练数据集分别对应x轴和y轴的数据
- labels对应的是训练集的标签
- 使用Matplotlib绘制图形,scatter绘制散点图
Python基于欧氏距离实现KNN分类器
def KNN_classify(k, dis, X_train, x_train, Y_test):
assert dis == 'E' or dis == 'M', 'dis must E or M,E代表欧氏距离,M代表哈曼顿距离'
num_test = Y_test.shape[0]
labellist = []
if (dis == 'E'):
for i in range(num_test):
distances = np.sqrt(np.sum(((X_train - np.tile(Y_test[i], (X_train.shape[0], 1))) ** 2), axis=1))
nearest_k = np.argsort(distances)
topK = nearest_k[:k]
classCount = {
}
for i in topK:
classCount[x_train[i]] = classCount.get(x_train[i], 0) + 1
sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
labellist.append(sortedClassCount[0][0])
return np.array(labellist)
测试KNN算法
需要注意的是,我们在输入测试集的时候需要将其转换为Numpy的矩阵,否则系统会提示传入的参数是list类型,没有shape的方法
if __name__ == '__main__':
group, labels = createDataSet()
y_test_pred = KNN_classify(1, 'E', group, labels, np.array([[1.0, 2.1], [0.4, 2.0]]))
print(y_test_pred)
# 测试数据选择一个测试,前面测试为A,后面的测试为B
完整代码
import operator
import numpy as np
import matplotlib.pyplot as plt
# 给出训练数据以及对应的类别
def createDataSet():
group = np.array([[1.0, 2.0], [1.2, 0.1], [0.1, 1.4], [0.3, 3.5], [1.1, 1.0], [0.5, 1.5]])
labels = np.array(['A', 'A', 'B', 'B', 'A', 'B'])
return group, labels
if __name__ == '__main__':
group, labels = createDataSet()
plt.scatter(group[labels == 'A', 0], group[labels == 'A', 1], color='r', marker='*')
# 对应类别为A的数据集我们使用红色六角形表示
plt.scatter(group[labels == 'B', 0], group[labels == 'B', 1], color='g', marker=