k-近邻算法是采用不同特征之间的距离方法进行分类。
优点:精度高、对异常值不敏感、无数据输入假定
缺点:计算复杂度高、空间复杂度高
k-近邻算法的一般流程
(1)收集数据集:可以使用任何方法
(2)准备数据集:距离计算所需要的数值,最好是结构化的数据格式
(3)分析数据:可以使用任何方法
(4)训练数据集:此步骤不适用与k-近邻算法
(5)测试算法:计算错误率
(6)使用算法:首先需要输入样本数据和结构化输出结果,然后运行k-近邻算法判断输入数据分别属于那个分类,最后应用对计算出的分类执行后续的处理。
2.1.1 准备:使用Python导入数据
#createDataSet()
2.1.2 实施K-近邻算法
K-近邻算法的伪代码:
对未知属性集中的每个点依次执行以下操作:
(1)计算已知类别数据中心的点与当前点之间的距离
(2)按照距离递增次序排序
(3)选取与当前点距离最最小的K个点
(4)确定当前k个点所在类别的出现频率
(5)返回前k个点出现频率最高的类别作为当前点的预测分类
#K-近邻算法
2.1.3 通过学习函数理解K-近邻算法
看了上述KNN的实现,可能大家还是一头雾水,因为其中用到了很多内嵌函数,所以下面我们就先来学习这些内嵌函数。
1.tile函数
函数形式是tile(A,reps)
A的类型几乎所有类型都可以:array,list,tuple,dict,matrix以及基本的数据类型int,string,float,bool等。
reps的类型可以使tuple,list,dict,array,int,bool但不可以是float,string,matrix。
import
2.shape函数
功能是读取矩阵的长度,输入参数可以是一个整数表示维度,也可以是一个矩阵。
举例说明:
import
3.sum函数
sum(a,axis=0)或者sum(axis=1)
axis=0就是普通的相加,axis=1则是将一个矩阵的每一行向量相加
举例说明:
import
4.argsort函数
返回数组值从小到大的索引值
举例说明:
import
参考链接
《机器学习实战》
Python中的tile函数,shape函数,sum函数,argsort函数,Python交流,技术交流区,鱼C论坛 - Powered by Discuz!
(出处: 鱼C论坛)
转了吗 赞了吗 在看吗