k近邻回归算法python_python实现K最近邻算法

KNN核心算法函数，具体内容如下

#! /usr/bin/env python3

# -*- coding: utf-8 -*-

# fileName ： KNNdistance.py

# author : zoujiameng@aliyun.com.cn

import math

def getMaxLocate(target): # 查找target中最大值的locate

maxValue = float("-inFinIty")

for i in range(len(target)):

if maxValue < target[i]:

maxValue = target[i]

flag = i

return flag

def KDistance(K, dest, source):

destlen = len(dest)

source1len = len(source[1])

sourcelen = len(source)

KNN = []

locate = source # 准备从source中剔除N-K个最大值

if destlen == source1len:

for i in range(sourcelen):

delta = 0

for j in range(source1len):# 毕达哥拉斯公式

delta += (dest[j] - source[i][j])*(dest[j] - source[i][j])

KNN.append(math.sqrt(delta))

for k in range(sourcelen, K, -1):

flag = getMaxLocate(KNN)

#print("%s 最大元素位置为%d" % (KNN, flag))

KNN.remove(KNN[flag]);

locate.remove(locate[flag])# 移除对应位置的元素

#print(locate)

return locate # 返回最终K个最接近的元素

else:

return None

假设你在伯克利开个小小的面包店,每天都做新鲜面包,需要根据如下一组特征预测当天该烤多少条面包:

a. 天气指数1~5(1表示天气很糟,5表示天气非常好);

b. 是不是周末或节假日(周末或节假日为1,否则为0);

c. 有没有活动(1表示有,0表示没有)。

已知

historyA(5, 1, 0) = 300

historyB(3, 1, 1) = 225

historyC(1, 1, 0) = 75

historyD(4, 0, 1) = 200

historyE(4, 0, 0) = 150

historyF(2, 0, 0) = 50

回归:周末，天气不错

Now(4, 1, 0) = ?

#! /usr/bin/env python3

# -*- coding: utf-8 -*-

# fileName ： KNNdistance.py

# author : zoujiameng@aliyun.com.cn

if __name__ == "__main__":

history = {}

history[5, 1, 0] = 300

history[3, 1, 1] = 225

history[1, 1, 0] = 75

history[4, 0, 1] = 200

history[4, 0, 0] = 150

history[2, 0, 0] = 50

dest = [4, 1, 0]

source = []

for i in history:

source.append(i)

print(source)

from KNNdistance import KDistance

K = 4

locate = KDistance(K, dest, source)

avg = 0

for i in range(len(locate)):

avg+=history[locate[i]]

avg/=K

print("回归结果：今天应该烤%d个面包" % round(avg))

KNN算法：

创建分类系统

分类(分组)，特征抽取(得到相似程度)

回归,即预测数值

KNN算法真的是很有用,堪称你进入神奇的机器学习领域的领路人!机器学习旨在让计算机更聪明。你见过一个机器学习的例子:创建推荐系统。

OCR指的是光学字符识别 (optical character recognition),这意味着你可拍摄印刷页面的照片,计算机将自动识别出其中的文字。Google使用OCR来实现图书数字化。

一般而言,OCR算法提取线段、点和曲线等特征。

OCR中的特征提取要复杂得多,但再复杂的技术也是基于KNN等简单理念的。这些理念也可用于语音识别和人脸识别。你将照片上传到Facebook时,它有时候能够自动标出照片中的人物,这是机器学习在发挥作用!

OCR的第一步是查看大量的数字图像并提取特征,这被称为训练(training)。大多数机器学习算法都包含训练的步骤:要让计算机完成任务,必须先训练它。

samples:

a. 垃圾邮件过滤器, 使用一种简单算法——朴素贝叶斯分类器(Naive Bayes classifier)

b. 预测股票市场, 使用机器学习来预测股票市场的涨跌真的很难。对于股票市场,如何挑选合适的特征呢?股票昨天涨了,今天也会涨,这样的特征合适吗?又或者每年五月份股票市场都以绿盘报收,这样的预测可行吗?在根据以往的数据来预测未来方面,没有万无一失的方法。未来很难预测,由于涉及的变量太多,这几乎是不可能完成的任务。

conclude:

机器学习是个很有趣的领域，只要下定决心，你就能很深入地了解它。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持我们。

本文标题: python实现K最近邻算法

本文地址: http://www.cppcns.com/jiaoben/python/218897.html