#读取数据 data = pd.read_csv("C:/Users/lumou/Desktop/传感器/0二稿/data/KNN分类预测疲劳.csv",header=0) data["pilao"] = data ["pilao"].map({"pre":0,"dimian":1}) class KNN: def __init__(self, k): self.k = k def fit(self, X, y): self.X = np.asarray(X) self.y = np.asarray(y) def predict(self, X): X = np.asarray(X) result = [] for x in X: dis = np.sqrt(np.sum((x - self.X) ** 2, axis=1)) index = dis.argsort() index = index[:self.k] count = np.bincount(self.y[index],weight=1/dis[index]) result.append(count.argmax()) return np.asarray(result) t0 = data[data["pilao"] == 0] t1 = data[data["pilao"] == 1] t0 = t0.sample(len(t0), random_state=0) t1 = t1.sample(len(t1)) train_X = pd.concat([t0.iloc[:18,:-1], t1.iloc[:18
KNN分类算法python
最新推荐文章于 2024-09-27 10:11:28 发布
该博客展示了如何运用KNN(K-Nearest Neighbors)算法对数据集'KNN分类预测疲劳.csv'进行预处理和模型训练。通过将预处理后的数据分为训练集和测试集,用KNN模型进行分类预测,并计算预测结果与实际结果的匹配度,最后输出了准确率。
摘要由CSDN通过智能技术生成