KNN for python3.6

最新推荐文章于 2022-01-22 16:22:34 发布
最新推荐文章于 2022-01-22 16:22:34 发布
阅读量131 收藏
点赞数
分类专栏： Python 深度学习 文章标签： KNN euclidean operator
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/zt5169/article/details/90741617
版权 
import csv
import random
import math
import operator

#adaption for python 3.6: rb -> rt
def loadDataset(filename, split, trainingSet = [], testSet = []):
    with open(filename, 'rt') as csvfile:
        lines = csv.reader(csvfile)
        dataset = list(lines)
        for x in range(len(dataset)-1):
            for y in range(4):
                dataset[x][y] = float(dataset[x][y])
            if random.random() < split:
                trainingSet.append(dataset[x])
            else:
                testSet.append(dataset[x])
                
#求距离  多个参数间 平方和，之后开方。
def euclideanDistance(instance1, instance2, length):
    distance = 0
    for x in range(length):
        distance += pow((instance1[x]-instance2[x]), 2)
    return math.sqrt(distance)

#返回前K个点
def getNeighbors(trainingSet, testInstance, k):
    distances = []
    length = len(testInstance)-1
    for x in range(len(trainingSet)):
        #testinstance
        dist = euclideanDistance(testInstance, trainingSet[x], length)
        distances.append((trainingSet[x], dist))
        #distances.append(dist)
    distances.sort(key=operator.itemgetter(1))
    neighbors = []
    for x in range(k):
        neighbors.append(distances[x][0])
        return neighbors

# 字典计票
def getResponse(neighbors):
    classVotes = {}
    for x in range(len(neighbors)):
        response = neighbors[x][-1]
        if response in classVotes:
            classVotes[response] += 1
        else:
            classVotes[response] = 1
    # adaption to python 3.6 : iteritems() --> items()
    sortedVotes = sorted(classVotes.items(), key=operator.itemgetter(1), reverse=True)
    return sortedVotes[0][0]

def getAccuracy(testSet, predictions):
    correct = 0
    for x in range(len(testSet)):
        if testSet[x][-1] == predictions[x]:
            correct += 1
    return (correct/float(len(testSet)))*100.0

def main():
    #prepare data
    trainingSet = []
    testSet = []
    split = 0.67
    loadDataset(r'irisdata.txt', split, trainingSet, testSet)
    print('Train set: ' + repr(len(trainingSet)))
    print('Test set: ' + repr(len(testSet)))
    #generate predictions
    predictions = []
    k = 3
    for x in range(len(testSet)):
        # trainingsettrainingSet[x]
        neighbors = getNeighbors(trainingSet, testSet[x], k)
        result = getResponse(neighbors)
        predictions.append(result)
        print ('>predicted=' + repr(result) + ', actual=' + repr(testSet[x][-1]))
    print('predictions: ' + repr(predictions))
    accuracy = getAccuracy(testSet, predictions)
    print('Accuracy: ' + repr(accuracy) + '%')

if __name__ == '__main__':
    main()

源码来自麦子学院

run result

Train set: 94
Test set: 56

predicted=‘Iris-setosa’, actual=‘Iris-setosa’
predicted=‘Iris-setosa’, actual=‘Iris-setosa’
predicted=‘Iris-setosa’, actual=‘Iris-setosa’
predicted=‘Iris-setosa’, actual=‘Iris-setosa’
predicted=‘Iris-setosa’, actual=‘Iris-setosa’
predicted=‘Iris-setosa’, actual=‘Iris-setosa’
predicted=‘Iris-setosa’, actual=‘Iris-setosa’
predicted=‘Iris-setosa’, actual=‘Iris-setosa’
predicted=‘Iris-setosa’, actual=‘Iris-setosa’
predicted=‘Iris-setosa’, actual=‘Iris-setosa’
predicted=‘Iris-setosa’, actual=‘Iris-setosa’
predicted=‘Iris-setosa’, actual=‘Iris-setosa’
predicted=‘Iris-setosa’, actual=‘Iris-setosa’
predicted=‘Iris-setosa’, actual=‘Iris-setosa’
predicted=‘Iris-setosa’, actual=‘Iris-setosa’
predicted=‘Iris-setosa’, actual=‘Iris-setosa’
predicted=‘Iris-setosa’, actual=‘Iris-setosa’
predicted=‘Iris-setosa’, actual=‘Iris-setosa’
predicted=‘Iris-setosa’, actual=‘Iris-setosa’
predicted=‘Iris-setosa’, actual=‘Iris-setosa’
predicted=‘Iris-setosa’, actual=‘Iris-setosa’
predicted=‘Iris-setosa’, actual=‘Iris-setosa’
predicted=‘Iris-versicolor’, actual=‘Iris-versicolor’
predicted=‘Iris-versicolor’, actual=‘Iris-versicolor’
predicted=‘Iris-versicolor’, actual=‘Iris-versicolor’
predicted=‘Iris-versicolor’, actual=‘Iris-versicolor’
predicted=‘Iris-versicolor’, actual=‘Iris-versicolor’
predicted=‘Iris-versicolor’, actual=‘Iris-versicolor’
predicted=‘Iris-versicolor’, actual=‘Iris-versicolor’
predicted=‘Iris-versicolor’, actual=‘Iris-versicolor’
predicted=‘Iris-versicolor’, actual=‘Iris-versicolor’
predicted=‘Iris-versicolor’, actual=‘Iris-versicolor’
predicted=‘Iris-versicolor’, actual=‘Iris-versicolor’
predicted=‘Iris-versicolor’, actual=‘Iris-versicolor’
predicted=‘Iris-versicolor’, actual=‘Iris-versicolor’
predicted=‘Iris-versicolor’, actual=‘Iris-versicolor’
predicted=‘Iris-versicolor’, actual=‘Iris-versicolor’
predicted=‘Iris-versicolor’, actual=‘Iris-versicolor’
predicted=‘Iris-virginica’, actual=‘Iris-virginica’
predicted=‘Iris-virginica’, actual=‘Iris-virginica’
predicted=‘Iris-versicolor’, actual=‘Iris-virginica’
predicted=‘Iris-virginica’, actual=‘Iris-virginica’
predicted=‘Iris-virginica’, actual=‘Iris-virginica’
predicted=‘Iris-virginica’, actual=‘Iris-virginica’
predicted=‘Iris-virginica’, actual=‘Iris-virginica’
predicted=‘Iris-virginica’, actual=‘Iris-virginica’
predicted=‘Iris-virginica’, actual=‘Iris-virginica’
predicted=‘Iris-virginica’, actual=‘Iris-virginica’
predicted=‘Iris-virginica’, actual=‘Iris-virginica’
predicted=‘Iris-virginica’, actual=‘Iris-virginica’
predicted=‘Iris-virginica’, actual=‘Iris-virginica’
predicted=‘Iris-virginica’, actual=‘Iris-virginica’
predicted=‘Iris-versicolor’, actual=‘Iris-virginica’
predicted=‘Iris-virginica’, actual=‘Iris-virginica’
predicted=‘Iris-virginica’, actual=‘Iris-virginica’
predicted=‘Iris-virginica’, actual=‘Iris-virginica’
predictions: [‘Iris-setosa’, ‘Iris-setosa’, ‘Iris-setosa’, ‘Iris-setosa’, ‘Iris-setosa’, ‘Iris-setosa’, ‘Iris-setosa’, ‘Iris-setosa’, ‘Iris-setosa’, ‘Iris-setosa’, ‘Iris-setosa’, ‘Iris-setosa’, ‘Iris-setosa’, ‘Iris-setosa’, ‘Iris-setosa’, ‘Iris-setosa’, ‘Iris-setosa’, ‘Iris-setosa’, ‘Iris-setosa’, ‘Iris-setosa’, ‘Iris-setosa’, ‘Iris-setosa’, ‘Iris-versicolor’, ‘Iris-versicolor’, ‘Iris-versicolor’, ‘Iris-versicolor’, ‘Iris-versicolor’, ‘Iris-versicolor’, ‘Iris-versicolor’, ‘Iris-versicolor’, ‘Iris-versicolor’, ‘Iris-versicolor’, ‘Iris-versicolor’, ‘Iris-versicolor’, ‘Iris-versicolor’, ‘Iris-versicolor’, ‘Iris-versicolor’, ‘Iris-versicolor’, ‘Iris-virginica’, ‘Iris-virginica’, ‘Iris-versicolor’, ‘Iris-virginica’, ‘Iris-virginica’, ‘Iris-virginica’, ‘Iris-virginica’, ‘Iris-virginica’, ‘Iris-virginica’, ‘Iris-virginica’, ‘Iris-virginica’, ‘Iris-virginica’, ‘Iris-virginica’, ‘Iris-virginica’, ‘Iris-versicolor’, ‘Iris-virginica’, ‘Iris-virginica’, ‘Iris-virginica’]
Accuracy: 96.42857142857143%

附1： iris.txt
5.1,3.5,1.4,0.2,Iris-setosa
4.9,3.0,1.4,0.2,Iris-setosa
4.7,3.2,1.3,0.2,Iris-setosa
4.6,3.1,1.5,0.2,Iris-setosa
5.0,3.6,1.4,0.2,Iris-setosa
5.4,3.9,1.7,0.4,Iris-setosa
4.6,3.4,1.4,0.3,Iris-setosa
5.0,3.4,1.5,0.2,Iris-setosa
4.4,2.9,1.4,0.2,Iris-setosa
4.9,3.1,1.5,0.1,Iris-setosa
5.4,3.7,1.5,0.2,Iris-setosa
4.8,3.4,1.6,0.2,Iris-setosa
4.8,3.0,1.4,0.1,Iris-setosa
4.3,3.0,1.1,0.1,Iris-setosa
5.8,4.0,1.2,0.2,Iris-setosa
5.7,4.4,1.5,0.4,Iris-setosa
5.4,3.9,1.3,0.4,Iris-setosa
5.1,3.5,1.4,0.3,Iris-setosa
5.7,3.8,1.7,0.3,Iris-setosa
5.1,3.8,1.5,0.3,Iris-setosa
5.4,3.4,1.7,0.2,Iris-setosa
5.1,3.7,1.5,0.4,Iris-setosa
4.6,3.6,1.0,0.2,Iris-setosa
5.1,3.3,1.7,0.5,Iris-setosa
4.8,3.4,1.9,0.2,Iris-setosa
5.0,3.0,1.6,0.2,Iris-setosa
5.0,3.4,1.6,0.4,Iris-setosa
5.2,3.5,1.5,0.2,Iris-setosa
5.2,3.4,1.4,0.2,Iris-setosa
4.7,3.2,1.6,0.2,Iris-setosa
4.8,3.1,1.6,0.2,Iris-setosa
5.4,3.4,1.5,0.4,Iris-setosa
5.2,4.1,1.5,0.1,Iris-setosa
5.5,4.2,1.4,0.2,Iris-setosa
4.9,3.1,1.5,0.1,Iris-setosa
5.0,3.2,1.2,0.2,Iris-setosa
5.5,3.5,1.3,0.2,Iris-setosa
4.9,3.1,1.5,0.1,Iris-setosa
4.4,3.0,1.3,0.2,Iris-setosa
5.1,3.4,1.5,0.2,Iris-setosa
5.0,3.5,1.3,0.3,Iris-setosa
4.5,2.3,1.3,0.3,Iris-setosa
4.4,3.2,1.3,0.2,Iris-setosa
5.0,3.5,1.6,0.6,Iris-setosa
5.1,3.8,1.9,0.4,Iris-setosa
4.8,3.0,1.4,0.3,Iris-setosa
5.1,3.8,1.6,0.2,Iris-setosa
4.6,3.2,1.4,0.2,Iris-setosa
5.3,3.7,1.5,0.2,Iris-setosa
5.0,3.3,1.4,0.2,Iris-setosa
7.0,3.2,4.7,1.4,Iris-versicolor
6.4,3.2,4.5,1.5,Iris-versicolor
6.9,3.1,4.9,1.5,Iris-versicolor
5.5,2.3,4.0,1.3,Iris-versicolor
6.5,2.8,4.6,1.5,Iris-versicolor
5.7,2.8,4.5,1.3,Iris-versicolor
6.3,3.3,4.7,1.6,Iris-versicolor
4.9,2.4,3.3,1.0,Iris-versicolor
6.6,2.9,4.6,1.3,Iris-versicolor
5.2,2.7,3.9,1.4,Iris-versicolor
5.0,2.0,3.5,1.0,Iris-versicolor
5.9,3.0,4.2,1.5,Iris-versicolor
6.0,2.2,4.0,1.0,Iris-versicolor
6.1,2.9,4.7,1.4,Iris-versicolor
5.6,2.9,3.6,1.3,Iris-versicolor
6.7,3.1,4.4,1.4,Iris-versicolor
5.6,3.0,4.5,1.5,Iris-versicolor
5.8,2.7,4.1,1.0,Iris-versicolor
6.2,2.2,4.5,1.5,Iris-versicolor
5.6,2.5,3.9,1.1,Iris-versicolor
5.9,3.2,4.8,1.8,Iris-versicolor
6.1,2.8,4.0,1.3,Iris-versicolor
6.3,2.5,4.9,1.5,Iris-versicolor
6.1,2.8,4.7,1.2,Iris-versicolor
6.4,2.9,4.3,1.3,Iris-versicolor
6.6,3.0,4.4,1.4,Iris-versicolor
6.8,2.8,4.8,1.4,Iris-versicolor
6.7,3.0,5.0,1.7,Iris-versicolor
6.0,2.9,4.5,1.5,Iris-versicolor
5.7,2.6,3.5,1.0,Iris-versicolor
5.5,2.4,3.8,1.1,Iris-versicolor
5.5,2.4,3.7,1.0,Iris-versicolor
5.8,2.7,3.9,1.2,Iris-versicolor
6.0,2.7,5.1,1.6,Iris-versicolor
5.4,3.0,4.5,1.5,Iris-versicolor
6.0,3.4,4.5,1.6,Iris-versicolor
6.7,3.1,4.7,1.5,Iris-versicolor
6.3,2.3,4.4,1.3,Iris-versicolor
5.6,3.0,4.1,1.3,Iris-versicolor
5.5,2.5,4.0,1.3,Iris-versicolor
5.5,2.6,4.4,1.2,Iris-versicolor
6.1,3.0,4.6,1.4,Iris-versicolor
5.8,2.6,4.0,1.2,Iris-versicolor
5.0,2.3,3.3,1.0,Iris-versicolor
5.6,2.7,4.2,1.3,Iris-versicolor
5.7,3.0,4.2,1.2,Iris-versicolor
5.7,2.9,4.2,1.3,Iris-versicolor
6.2,2.9,4.3,1.3,Iris-versicolor
5.1,2.5,3.0,1.1,Iris-versicolor
5.7,2.8,4.1,1.3,Iris-versicolor
6.3,3.3,6.0,2.5,Iris-virginica
5.8,2.7,5.1,1.9,Iris-virginica
7.1,3.0,5.9,2.1,Iris-virginica
6.3,2.9,5.6,1.8,Iris-virginica
6.5,3.0,5.8,2.2,Iris-virginica
7.6,3.0,6.6,2.1,Iris-virginica
4.9,2.5,4.5,1.7,Iris-virginica
7.3,2.9,6.3,1.8,Iris-virginica
6.7,2.5,5.8,1.8,Iris-virginica
7.2,3.6,6.1,2.5,Iris-virginica
6.5,3.2,5.1,2.0,Iris-virginica
6.4,2.7,5.3,1.9,Iris-virginica
6.8,3.0,5.5,2.1,Iris-virginica
5.7,2.5,5.0,2.0,Iris-virginica
5.8,2.8,5.1,2.4,Iris-virginica
6.4,3.2,5.3,2.3,Iris-virginica
6.5,3.0,5.5,1.8,Iris-virginica
7.7,3.8,6.7,2.2,Iris-virginica
7.7,2.6,6.9,2.3,Iris-virginica
6.0,2.2,5.0,1.5,Iris-virginica
6.9,3.2,5.7,2.3,Iris-virginica
5.6,2.8,4.9,2.0,Iris-virginica
7.7,2.8,6.7,2.0,Iris-virginica
6.3,2.7,4.9,1.8,Iris-virginica
6.7,3.3,5.7,2.1,Iris-virginica
7.2,3.2,6.0,1.8,Iris-virginica
6.2,2.8,4.8,1.8,Iris-virginica
6.1,3.0,4.9,1.8,Iris-virginica
6.4,2.8,5.6,2.1,Iris-virginica
7.2,3.0,5.8,1.6,Iris-virginica
7.4,2.8,6.1,1.9,Iris-virginica
7.9,3.8,6.4,2.0,Iris-virginica
6.4,2.8,5.6,2.2,Iris-virginica
6.3,2.8,5.1,1.5,Iris-virginica
6.1,2.6,5.6,1.4,Iris-virginica
7.7,3.0,6.1,2.3,Iris-virginica
6.3,3.4,5.6,2.4,Iris-virginica
6.4,3.1,5.5,1.8,Iris-virginica
6.0,3.0,4.8,1.8,Iris-virginica
6.9,3.1,5.4,2.1,Iris-virginica
6.7,3.1,5.6,2.4,Iris-virginica
6.9,3.1,5.1,2.3,Iris-virginica
5.8,2.7,5.1,1.9,Iris-virginica
6.8,3.2,5.9,2.3,Iris-virginica
6.7,3.3,5.7,2.5,Iris-virginica
6.7,3.0,5.2,2.3,Iris-virginica
6.3,2.5,5.0,1.9,Iris-virginica
6.5,3.0,5.2,2.0,Iris-virginica
6.2,3.4,5.4,2.3,Iris-virginica
5.9,3.0,5.1,1.8,Iris-virginica

renzao_ai
关注
专栏目录
KNN最邻近规则分类算法实践实现【Python实现】
江说江湖专栏：欠世界一个伟大的产品！
04-23 1043
KNN算法实践【Python实现】  分类算法 本博客按照理论思想实现KNN，算法理论分析见上一篇博客。 【点我】KNN算法介绍（最邻近规则分类算法） 1.例子：根据花的四个特征预测某种花属于某种 数据集介绍 数据特征： 萼片长度，萼片宽度，花瓣长度，花瓣宽度 (sepal length, sepal width, petal length and petal width）
KNN分类算法(Python3.6实现)
zhiziyi123的博客
05-18 523
文章目录KNN分类算法原理新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 KNN分类算法原理 K-Nearest Neighbor（KNN）分类算法的思路：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中
Algorithm - Realisation_kNN_By_Python3.6
⚡
04-11 695
源码下载：https://github.com/Hirehop/Python/tree/master/Mechine_Learning/10_ML_Algorithm_Realization_By_Python3.6 from math import sqrt def getDistance(D,P): ''' D:数据列表(Data) P:当前数据(Present...
6-基于python3.6实现KNN的算法(枚举思路)
kakazai.cn
06-07 600
参考《机器学习实战》    本文是用枚举法实现KNN算法的，并非用KD树。枚举法即计算出全部的已有输入实例点到目标实例点的距离，排序后选出距离最小的K个点，就是最邻近的K个点。本文的输入实例只有两维，用欧氏距离公式去度量距离的。本文是针对像我这样的新手，对每句代码都进行详细的解释，若看不懂，请留言让我改进。from numpy import *    #导入numpy模块中的所有内容 import...
基于pyhton3.6-机器学习实战-kNN代码解释
Lelouch_C.C的博客
04-16 535
本人是一名数学系研究生，于2017年底第一次接触python和机器学习，作为一名新手，欢迎与大家交流。我主要给大家讲解代码，理论部分给大家推荐3本书：《机器学习实战中文版》《机器学习》周志华《统计学习方法》李航以上3本书，第一本是基于python2的代码实现；剩余两本主要作为第一本书理论省略部分的补充，理论大部分都讲得很细。博客上关于机器学习实战理论解释都很多，参差不齐，好作品也大都借鉴了以上...
python 实现 knn分类算法 (Iris 数据集）
chesian的专栏
07-17 2万+
1、KNN分类算法KNN分类算法（K-Nearest-Neighbors Classification），又叫K近邻算法，是一个概念极其简单，而分类效果又很优秀的分类算法。他的核心思想就是，要确定测试样本属于哪一类，就寻找所有训练样本中与该测试样本“距离”最近的前K个样本，然后看这K个样本大部分属于哪一类，那么就认为这个测试样本也属于哪一类。简单的说就是让最相似的K个样本来投票决定。KNN算法不仅...
《机器学习实战》基于python3.6的代码实现.zip
最新发布
05-08
《机器学习实战》是一本非常受欢迎的机器学习入门书籍，其基于Python3.6的代码实现为读者提供了直观且易懂的学习资源。本书涵盖了多种机器学习算法，包括监督学习、无监督学习以及半监督学习等领域的核心概念和技术...
KNN图像分类（基于python3.6）
Brezee_xy的专栏
09-30 3218
KNN图像分类（基于python3.6）1.数据来源CIFAR-10是一个常用的图像分类数据集。数据集包含60000张32*32像素的小图片，每张图片都有一个类别标注(总共有10类)，分成了50000张的训练集和10000张的测试集。python中提取CIFAR-10的代码如下： a python2 routine which will open such a file and return a
机器学习-mnist kNN算法识别（python）
eleclike的专栏
04-20 1万+
方以类聚，物以群分                                               ---《周易·系辞上》 测试环境：python3.6、win7 32bit、x86。在上一篇文章中介绍了mnist数据的格式，以及用python如何读取mnist数据并转化成numpy格式的数据（https://blog.csdn.net/eleclike/article/details...
python导入knn库_day-9 sklearn库和python自带库实现最近邻KNN算法
weixin_42118423的博客
01-14 1794
K最近邻(k-Nearest Neighbor，KNN)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。谁和我隔得近，我就跟谁是一类，有点中国古语说的近墨者黑近朱者赤意思。KNN算法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻...
用python3实现《机器学习实战》代码(一)——KNN算法
老李写博客的地方
05-30 1757
算法简介 假设有一个样本数据集合，并且这个集合里边的的每个数据都存在分类用的标签（也就是监督学习）。输入没有标签的新数据，将新数据和原有数据进行对应的特征进行比较，然后算法提取样本集中特征最相似的数据的分类标签。由于类别常用K表示，所以叫KNN（k-NearestNeighbor，k邻近算法）算法。K通常小于20，因为再大，分的类就会太细，意义不大。 实现原理 计算出集合中的点与输入...
【python】错误SyntaxError: invalid syntax的解决方法总结
热门推荐
赫菲斯托斯，，
10-29 204万+
今天学习了python,然而刚开始就出了一个难题，明明代码没有一点问题，可是每次运行都会显示 “SyntaxError: invalid syntax”。 “SyntaxError: invalid syntax” 的意思就是 语法错误； 经过查询解决了这个问题，所以总结一个这个问题的解决方法： 版本问题： 因为python2和python3是不兼容的；可以尝试更换版本； 粗心问题： 忘...
机器学习实战_kNN算法python3.6实现与理解
maydayxx的博客
12-04 691
机器学习实战_kNN算法python3.6实现与理解标签（空格分隔）： kNN算法from numpy import * import operator from os import listdir#创建数据集和标签 def createDataSet(): group = array([[1.0, 1.1], [1.0, 1.0], [0, 0], [0, 0.1]]) label
OpenCV3.3-Python3.6.2中KNN使用举例
网络资源是无限的
11-07 2006
OpenCV3.3-Python3.6.2中KNN使用举例
多标记KNN算法实现（Python3.6）
看看人家狗蛋的博客
11-18 2191
MLKNN算法 对于一个新实例，取其最近的k个实例，然后得到由k个实例组成的标签集合，最后通过先验概率与最大后验概率来确定新实例的标签集合。详细的内容参看周志华老师与张敏灵老师的《多标记学习》 算法实现 数据预处理 MLkNNDemo.py #load file data = sio.loadmat('scene.mat') train_bags = data['train_bags
TypeError: Image data cannot be converted to float
zt5169的博客
05-12 1万+
当使用matplotlib.image.imread读入图片时，如果图片像素过大，会报告此错误。
/usr/bin/python3 找不到pip3
zt5169的博客
01-22 5403
usr/bin/python3 不带pip3解决办法： 虚拟机系统：RED HAT 6.10 解决办法： sudo python3 -m pip install --upgrade --force-reinstall pip
KNN算法python
04-30
在Python中，可以使用scikit-learn库来实现KNN算法。下面是一个简单的示例代码： ```python from sklearn.neighbors import KNeighborsClassifier # 创建KNN分类器对象 knn = KNeighborsClassifier(n_neighbors=3)...
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