python k-近邻算法实例分享
python k-近邻算法实例分享
发布时间:2016-12-28 来源:查字典编辑
摘要:简单说明这个算法主要工作是测量不同特征值之间的距离,有个这个距离,就可以进行分类了。简称kNN。已知:训练集,以及每个训练集的标签。接下来:...

简单说明

这个算法主要工作是测量不同特征值之间的距离,有个这个距离,就可以进行分类了。

简称kNN。

已知:训练集,以及每个训练集的标签。

接下来:和训练集中的数据对比,计算最相似的k个距离。选择相似数据中最多的那个分类。作为新数据的分类。

python实例

复制代码 代码如下:

# -*- coding: cp936 -*-

#win系统中应用cp936编码,linux中最好还是utf-8比较好。

from numpy import *#引入科学计算包

import operator #经典python函数库。运算符模块。

#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

#算法核心

#inX:用于分类的输入向量。即将对其进行分类。

#dataSet:训练样本集

#labels:标签向量

def classfy0(inX,dataSet,labels,k):

#距离计算

dataSetSize =dataSet.shape[0]#得到数组的行数。即知道有几个训练数据

diffMat =tile(inX,(dataSetSize,1))-dataSet#tile:numpy中的函数。tile将原来的一个数组,扩充成了4个一样的数组。diffMat得到了目标与训练数值之间的差值。

sqDiffMat =diffMat**2#各个元素分别平方

sqDistances =sqDiffMat.sum(axis=1)#对应列相乘,即得到了每一个距离的平方

distances =sqDistances**0.5#开方,得到距离。

sortedDistIndicies=distances.argsort()#升序排列

#选择距离最小的k个点。

classCount={}

for i in range(k):

voteIlabel=labels[sortedDistIndicies[i]]

classCount[voteIlabel]=classCount.get(voteIlabel,0)+1

#排序

sortedClassCount=sorted(classCount.iteritems(),key=operator.itemgetter(1),reverse=True)

return sortedClassCount[0][0]

意外收获

把自己写的模块加入到python默认就有的搜索路径:在python/lib/-packages目录下建立一个 xxx.pth的文件,写入自己写的模块所在的路径即可

推荐文章
猜你喜欢
附近的人在看
推荐阅读
拓展阅读
相关阅读
网友关注
最新python学习
热门python学习
脚本专栏子分类