mmmm0303
2020-09-27 10:29
采纳率: 42.9%
浏览 142

knn算法 用python 有人留下代码吗

k近邻法 的算法
编写一个代码(其输入参数包含下面内容)
输入2个类别的数据(都是二维的坐标点),可设输入每一类约10个点
输入一个坐标点的坐标
输出:使用K近邻法判断该坐标点属于哪个类别

  • 写回答
  • 好问题 提建议
  • 追加酬金
  • 关注问题
  • 收藏
  • 邀请回答

3条回答 默认 最新

  • Happywzy~ 2020-09-27 11:27
    已采纳
    #!/usr/bin/python
    # coding=utf-8
    #########################################
    # kNN: k Nearest Neighbors
    
    #  输入:      newInput:  (1xN)的待分类向量
    #             dataSet:   (NxM)的训练数据集
    #             labels:     训练数据集的类别标签向量
    #             k:         近邻数
    
    # 输出:     可能性最大的分类标签
    #########################################
    
    from numpy import *
    import operator
    
    # 创建一个数据集,包含2个类别共4个样本
    def createDataSet():
        # 生成一个矩阵,每行表示一个样本
        group = array([[1.0, 0.9], [1.0, 1.0], [0.1, 0.2], [0.0, 0.1]])
        # 4个样本分别所属的类别
        labels = ['A', 'A', 'B', 'B']
        return group, labels
    
    # KNN分类算法函数定义
    def kNNClassify(newInput, dataSet, labels, k):
        numSamples = dataSet.shape[0]   # shape[0]表示行数
    
        # # step 1: 计算距离[
        # 假如:
        # Newinput:[1,0,2]
        # Dataset:
        # [1,0,1]
        # [2,1,3]
        # [1,0,2]
        # 计算过程即为:
        # 1、求差
        # [1,0,1]       [1,0,2]
        # [2,1,3]   --   [1,0,2]
        # [1,0,2]       [1,0,2]
        # =
        # [0,0,-1]
        # [1,1,1]
        # [0,0,-1]
        # 2、对差值平方
        # [0,0,1]
        # [1,1,1]
        # [0,0,1]
        # 3、将平方后的差值累加
        # [1]
        # [3]
        # [1]
        # 4、将上一步骤的值求开方,即得距离
        # [1]
        # [1.73]
        # [1]
        #
        # ]
        # tile(A, reps): 构造一个矩阵,通过A重复reps次得到
        # the following copy numSamples rows for dataSet
        diff = tile(newInput, (numSamples, 1)) - dataSet  # 按元素求差值
        squaredDiff = diff ** 2  # 将差值平方
        squaredDist = sum(squaredDiff, axis = 1)   # 按行累加
        distance = squaredDist ** 0.5  # 将差值平方和求开方,即得距离
    
        # # step 2: 对距离排序
        # argsort() 返回排序后的索引值
        sortedDistIndices = argsort(distance)
        classCount = {} # define a dictionary (can be append element)
        for i in xrange(k):
            # # step 3: 选择k个最近邻
            voteLabel = labels[sortedDistIndices[i]]
    
            # # step 4: 计算k个最近邻中各类别出现的次数
            # when the key voteLabel is not in dictionary classCount, get()
            # will return 0
            classCount[voteLabel] = classCount.get(voteLabel, 0) + 1
    
        # # step 5: 返回出现次数最多的类别标签
        maxCount = 0
        for key, value in classCount.items():
            if value > maxCount:
                maxCount = value
                maxIndex = key
    
        return maxIndex
    
    #!/usr/bin/python
    # coding=utf-8
    import KNN
    from numpy import *
    # 生成数据集和类别标签
    dataSet, labels = KNN.createDataSet()
    # 定义一个未知类别的数据
    testX = array([1.2, 1.0])
    k = 3
    # 调用分类函数对未知数据分类
    outputLabel = KNN.kNNClassify(testX, dataSet, labels, 3)
    print "Your input is:", testX, "and classified to class: ", outputLabel
    
    testX = array([0.1, 0.3])
    outputLabel = KNN.kNNClassify(testX, dataSet, labels, 3)
    print "Your input is:", testX, "and classified to class: ", outputLabel
    
    评论
    解决 无用
    打赏 举报
  • 查看更多回答(2条)

相关推荐 更多相似问题