k-近邻算法(kNN)
来源:互联网 发布:淘宝卖家怎么赚淘金币 编辑:程序博客网 时间:2024/05/24 01:38
最近假期,参考李航的《统计学习方法》和Peter Harrington的《机器学习实战》整理了之前学习的机器学习算法(原理+python实现),欢迎小伙伴们交流。
1.kNN原理
k近邻算法比较简单、直观,简单的说就是采用测量不同的特征值之间的距离方法进行分类,也就是给定一个训练数据集,对新的输入实列,在训练数据集中找到与该实例最相似(最邻近)的k个实列,这k个实列所属最多的类就是该输入实列的类别。
2.kNN特点
优点:精度高、对异常值不敏感、无数据输入假定。
缺点:计算复杂度高、空间复杂度高
使用范围:数值型和标称型
3.kNN实现
def classify0(inX, dataSet, labels, k): #获取训练样本数量 dataSetSize = dataSet.shape[0] #构造输入值和训练样本的差值矩阵 diffMat = tile(inX, (dataSetSize,1)) - dataSet #计算欧式距离 sqDiffMat = diffMat**2 sqDistances = sqDiffMat.sum(axis=1) distances = sqDistances**0.5 #获取距离升序排序后对应的下标列表 sortedDistIndicies = distances.argsort() #统计距离最小的k个点对应的样本标签 classCount={} for i in range(k): #取第i+1近邻样本对应的类别标签 voteIlabel = labels[sortedDistIndicies[i]] #以标签为key,标签出现的次数为value将统计到的标签及出现次数写进字典 classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1 #对字典按value从大到小排序 sortedClassCount = sorted(classCount.iteritems(), key=operator.itemgetter(1), reverse=True) #返回排序后字典中最大value对应的标签 return sortedClassCount[0][0]
阅读全文
1 0
- K-近邻算法(KNN)
- k近邻算法(kNN)
- KNN(K近邻算法)
- K-近邻算法(KNN)
- K-近邻算法(KNN)
- KNN(K-近邻算法)
- K-近邻算法(KNN)
- kNN(k近邻算法)
- k-近邻算法(kNN)
- k近邻算法(KNN)
- K近邻(KNN)算法
- K近邻(KNN)算法
- K-近邻(KNN)算法
- K-近邻(KNN)算法
- K-近邻算法(KNN)
- k-近邻(KNN)算法
- k-近邻算法(kNN)
- k近邻算法(KNN)
- pythonUnicodeDecodeError: 'utf8' codec can't decode byte 0xba in position 208550: invalid start byte
- io
- MySQL里面的错误——[Err] 1113
- 微信小程序 传值取值
- 正则表达式 regular expression
- k-近邻算法(kNN)
- 机器学习——Python(六)
- 汇编指令之OpCode快速入门
- NDK开发 从入门到放弃(七:Android Studio 2.2 CMAKE 高效NDK开发)
- Mac 上 Class JavaLaunchHelper is implemented in both 报错
- Spring+Quartz实现定时任务的配置方法
- yii2 join 连表查询得不到关联表数据
- const指针
- 面试相关