使用python实现knn

最新推荐文章于 2021-02-04 10:02:11 发布
最新推荐文章于 2021-02-04 10:02:11 发布
阅读量236 收藏
点赞数
分类专栏： python数据分析
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/u013385362/article/details/78342809
版权 
import numpy as np
import operator
def createDataSet():
    group =np.array([[1.0,1.1],[1.0,1.0],[0.0,0.0],[0,0.1]])
    labels=['A','A','B','B']
    return group,labels
def classify0(inX,dataSet,labels,k):
    dataSetSize=dataSet.shape[0]
    diffMat=np.tile(inX,(dataSetSize,1))-dataSet
    sqDissMat=diffMat**2
    sqDistances=sqDissMat.sum(axis=1)
    distance=sqDistances**0.5
    sortedDistIndicies=distance.argsort()
    classCount={}
    for i in range(k):
        voteLabel=labels[sortedDistIndicies[i]]
        classCount[voteLabel]=classCount.get(voteLabel,0)+1
    sortedClassCount=sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
    return sortedClassCount[0][0]
if __name__ =='__main__':
    group,labels=createDataSet()
    result=classify0([0.0,0.0],group,labels,3)
    print(result)


np.tile(inX,(dataSetSize,1))：将intX按行重复dataSize次
‘0’按列进行计算
‘1’按行进行计算
内心的笃定
关注
专栏目录
机器学习实战 第二章KNN（1）python代码及注释
fenfenmiao的博客
08-09 7676
#coding=utf8 #KNN.py from numpy import * import operator def createDataSet(): group=array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]]) #我觉得可以这样理解，每一种方括号都是一个维度（秩），这里就是二维数组，最里面括着每一行的有一个方括号，后面又有一个，就是二维，四行
kNN(python实现)
05-23
kNN(python实现)http://blog.csdn.net/u011067360/article/details/45937327
Python实现KNN
莫邪莫急的博客
03-25 664
# -*- coding: utf-8 -*- import numpy as np import operator def knnClassify(inX, dataSet, labels, k): """ KNN算法 :param inX: 待判断样本的特征 :param dataSet: 数据集各个样本的特征 :pa...
利用Python实现kNN算法的代码
12-31
邻近算法（k-NearestNeighbor) 是机器学习中的一种分类（classification）算法，也是机器学习中最简单的算法之一了。虽然很简单，但在解决特定问题时却能发挥很好的效果。因此，学习kNN算法是机器学习入门的一个很好的途径。 kNN算法的思想非常的朴素，它选取k个离测试点最近的样本点，输出在这k个样本点中数量最多的标签（label）。我们假设每一个样本有m个特征值（property），则一个样本的可以用一个m维向量表示: X =（ x1，x2，… , xm ),  同样地，测试点的特征值也可表示成：Y =（ y1，y2，… , ym )。那我们怎么定义这两者之间的“距离”呢
python编写错误怎么改_【Python基础】Python语法错误怎么修改-kitidog2016的回答
weixin_39707201的博客
02-04 240
1.ValueError: only 2 non-keyword arguments accepted解答：少写了外层的中括号group = array([1.0,1.1],[1.0,1.0],[0,0],[0,0.1])改成下面的样子就ok吧，我是这样解决的。group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])2.AttributeError: '...
从零开始：用Python实现KNN算法
gxlmsw1314的专栏
06-15 1万+
转载自http://www.58maisui.com/2016/06/15/a-197/?ref=myread 从零开始：用Python实现KNN算法 目录Python2016年6月15日 k-Nearest Neighbors算法（简称KNN算法）的逻辑很简单，它易于理解和实现，是你可以使用的有力工具。 通过学习这个教程，你将能够用Python从0开始实现一个KNN算法。这个实现
使用python实现knn算法
09-20
KNN，全称为K-Nearest Neighbors...以上就是使用Python实现KNN算法的基本步骤和相关知识点，这个实现简单明了，适用于初学者理解KNN算法的工作原理。在实际项目中，还需要考虑更多的优化策略和改进方法以提高算法性能。
使用Python实现KNN.zip
01-14
K近邻（K Nearest Neighbors，KNN）算法，又称为KNN算法，是一种非常直观并且容易理解和实现的有监督分类算法。本资源为使用Python的第三方库Numpy实现KNN算法，可以从算法底层了解其实现过程
用Python开始机器学习（4：KNN分类算法）
热门推荐
lsldd的专栏
11-23 6万+
KNN分类算法（K-Nearest-Neighbors Classification）是
KNN-1 python 实现
shiqi,bao的博客
06-14 320
#coding=utf-8  from numpy  import *import operator#创建数据集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#KNN算法实现def knn_class
用Scikit-learn进行机器学习（四）：Python实现KNN（K近邻算法）的底层实现原理及案例
汪雯琦的博客
02-21 666
class KNN(object): #构造函数 def __init__(self,n_neighbors=5): #self.k是属性，属性在类中有点相似于全局变量的作用 self.k = n_neighbors #训练函数 knn算法是惰性学习的机器学习方法 #所有的惰性学习 他们的训练(算法计算)都是假的 都是...
利用python中的库实现knn分类
weixin_41789633的博客
03-26 2519
from sklearn import neighborsfrom sklearn import datasetsknn=neighbors.KNeighborsClassifier()iris=datasets.load_iris()print(iris)knn.fit(iris.data,iris.target)predictlabel=knn.predict([0.1,0.2,0.3,0.4...
机器学习实战＋统计学习方法之理解KNN（1.实战代码的详细走读和解析）
BigBigLiu
04-10 870
机器学习实战2.2.1：实施KNN算法# the program is general from 2.1.2~ #_init_py is described is a 构造函数 constructed function ''' wrong things: 1.gourp [ [],[] ] in the outermost the [] 2.dataSet.shape[
KNN算法学习笔记（一）
lxslx的博客
06-22 688
from numpy import * import operator 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 group,labels=createDataSet() de
机器学习实战笔记1
u010963351的博客
03-09 507
第一章  机器学习基础 机器学习就是把无序的东西转换成有用的信息。 1.机器学习的术语：专家系统、特征（属性）、实例、训练集（特征、目标变量）、测试数据、知识表示 目标变量是机器学习算法的预测结果：分类算法中目标变量的类型一般为标称型；在回归算法中，目标变量的类型一般为连续型。 2.机器学习的主要任务： 监督学习：分类、回归（预测数据） 无监督学习：聚类，密度估计 3.NumPy函数
用Python实现KNN算法（从原理到代码的实现）
hutao1030813002的博客
11-28 1万+
用Python实现KNN算法（从原理到代码的实现） 环境 1.Pycharm 2.python3.6 一、KNN算法的原理 1.1算法介绍 KNN的全称是K Nearest Neighbors，意思是K个最近的邻居，从这个名字我们就能看出一些KNN算法的蛛丝马迹了。K个最近邻居，毫无疑问，K的取值肯定是至关重要的。那么最近的邻居又是怎么回事呢？其实啊，KNN的原理就是当预测一个新的值x的时候，根据它距离最近的K个点是什么类别来判断x属于哪个类别。 听起来有点绕，还是看看图吧。 图中绿色的点就是我们要预测的
pandas 对dataframe进行数据预处理
程序认生
04-13 969
1、独热编码OneHotEncoder() from sklearn import preprocessing enc = preprocessing.OneHotEncoder() enc.fit([[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]]) # fit来学习编码 enc.transform([[0, 1, 3]]).toarray() ...
最简单的KNN示例
shenjianhua005的专栏
04-16 339
首先要知道KNN实现的原理，其就是把测试的数据与训练集中每个数据对应的位置进行相减，然后每个像素差的和进行排序，取前K个。接着看前K个那个类型占的比例最多，则测试数据对应的类型就是这个。 以下算距离采用的是欧式距离，即 diff = sqrt() import numpy as np import operator def train_data(): group = np.ar...
使用python实现knn算法_使用python实现KNN算法
最新发布
05-24
KNN算法是一种常见的分类算法，可以通过计算待分类样本与训练集中各样本之间的距离，将待分类样本归为距离最近的K个训练集样本所属的类别。下面是使用Python实现KNN算法的步骤： 1. 导入必要的库 ```python import numpy as np from collections import Counter ``` 2. 定义KNN函数 ```python def knn(x_train, y_train, x_test, k): """ x_train: 训练集特征 y_train: 训练集标签 x_test: 待分类样本特征 k: 选取的K值 """ # 计算待分类样本与训练集样本之间的距离 distances = [] for i in range(len(x_train)): distance = np.sqrt(np.sum(np.square(x_test - x_train[i, :]))) distances.append(distance) # 根据距离排序，选取距离最近的K个样本 nearest = np.argsort(distances)[:k] # 统计K个样本所属的类别，选择出现次数最多的类别作为待分类样本的类别 counts = Counter(y_train[nearest]) return counts.most_common(1)[0][0] ``` 3. 加载数据集 ```python def load_dataset(): """ 加载数据集 """ # 生成随机数据 x_train = np.random.rand(10, 2) y_train = np.random.randint(0, 2, 10) x_test = np.random.rand(1, 2) return x_train, y_train, x_test ``` 4. 进行测试 ```python x_train, y_train, x_test = load_dataset() k = 3 prediction = knn(x_train, y_train, x_test, k) print("预测结果为：", prediction) ``` 以上就是使用Python实现KNN算法的基本步骤，你可以根据自己的实际需求进行相应的修改和扩展。
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