机器学习基于K-近邻算法(KNN)
来源:互联网 发布:网络买鞋子怎么买 编辑:程序博客网 时间:2024/05/19 09:41
KNN算法原理简介:
存在一个样本数据集合,也称作训练样本集,并且样本集中每个数据都存在标签,即我们知道样本集中每一数据
与所属分类的对应关系。输人没有标签的新数据后,将新数据的每个特征与样本集中数据对应的特征进行比较,然后算
法提取样本集中特征最相似数据(最 近 邻 )的分类标签。一般来说,我们只选择样本数据集中前&个最相似的数据,这
就是&-近邻算法中&的出处,通常*是不大于20的整数。最后,选择&个最相似数据中出现次数最多的分类,作为新数据的
分类。
from numpy import *import operator# 距离计算def classify0(inX, dataSet, labels, k): dataSetSize = dataSet.shape[0] diffMat = tile(inX, (dataSetSize,1)) - dataSet # 求幂次方 sqDiffMat = diffMat**2 sqDistances = sqDiffMat.sum(axis=1) # 求开方 distances = sqDistances**0.5 sortedDistIndicies = distances.argsort() classCount={} # 选择距离最近的k个点 for i in range(k): voteIlabel = labels[sortedDistIndicies[i]] classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1 # 对结果排序 sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True) return sortedClassCount[0][0]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# 测试group,labels =createDataSet()result = classify0([0,0],group,labels,3)print(result)
阅读全文
0 0
- 机器学习基于K-近邻算法(KNN)
- 【机器学习】k近邻算法(kNN)
- 机器学习--k-近邻(kNN)算法
- 机器学习--k-近邻(kNN)算法案例
- 机器学习:KNN K近邻算法
- 机器学习 - K-近邻算法(KNN)
- 机器学习实战:K近邻算法(kNN)
- 机器学习算法----KNN K近邻
- 【机器学习】KNN k近邻分类算法
- 机器学习--k-近邻(kNN)算法
- 机器学习算法------K近邻算法(kNN)
- 机器学习之K-近邻算法(kNN算法)
- 机器学习实施kNN之k-近邻算法--算法步骤
- 几个常用机器学习算法 - k近邻算法(kNN)
- 【机器学习】K-近邻分类算法KNN学习
- 【机器学习】k-近邻算法(kNN) 学习笔记
- k近邻算法(knn) 学习
- 【机器学习实战之一】:C++实现K-近邻算法KNN
- 理解io流产生和整体流程
- 裸机_GPIO实验_汇编
- 高级面向对象之 面向对象中常用的属性和方法
- 目标类选择器":traget"应用场景
- 深入pack
- 机器学习基于K-近邻算法(KNN)
- C语言 — 整形提升
- 九度oj-1031-xxx定律
- 反射-通过反射获取私有构造方法并使用
- 分布式任务系统 tbschedule
- struct inode 和 struct file
- 第三十六天:如何手动安装tomcat6.0,并且配合环境变量
- A Dangerous Maze(概率与期望(求时间的期望))
- 排序算法之堆排序(js)