K-近邻算法(kNN)
来源:互联网 发布:neflix 淘宝账号 编辑:程序博客网 时间:2024/06/03 15:52
k-近邻算法是通过测量不同特征值之间的距离来进行分类的方法
优点:精度高 对异常值不敏感 无数据输入设定
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
算法原理:
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k个最相似的数据,这就是k-近邻算法中k的出处,通常k是不大于20的整数。 最后,选择k个最相似数据中出现次数最多的分类,作为新数据的分类。
算法伪代码:
1、计算已知类别数据集中的点与当前点之间的距离
2、按照距离递增次序排序
3、选取与当前点距离最小的k个点
4、确定在这k个点中不同类别中出现点的次数
5、在这k个点中同一类别的点出现的次数最多的则为当前点的预测类别
Python 代码:
# -*- coding: utf-8 -*-from numpy import *import operator#导入已知类别和特征数据def createDataset(): group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]]) labels = ['A','A','B','B'] return group, labelsimport kNNgroup, labels = kNN.createDataset()#kNN算法def classify0(inX, dataSet, labels, k): dataSetSize = dataSet.shape[0] diffMat = tile(inX, (dataSetSize,1)) - dataSet sqDiffMat = diffMat**2 sqDistances = sqDiffMat.sum(axis=1) distances = sqDistances**0.5 sortedDistIndicies = distances.argsort() classCount={} for i in range(k): voteIlabel = labels[sortedDistIndicies[i]] classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1 sortedClassCount = sorted(classCount.iteritems(), key = operator.itemgetter(1), reverse = True) return sortedClassCount[0] [0]
阅读全文
0 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)
- oracle导入dmp大文件流程记录:
- Latex error "Not enough room in an internal buffer" 解决方法
- C语言自动类型转换
- 运维之高级服务篇------1. 运维概述 、 Squid代理服务器 、 Varnish服务器
- 在Centos6.6下编译安装最新apache
- K-近邻算法(kNN)
- 看图说话排序算法之快速排序
- 【笔记】《WebGL编程指南》学习-第6章着色器语言(2-矢量和矩阵)
- 【BZOJ 4563 放棋子】【错排】
- STL之函数适配器
- redis获取异常或者获取不到
- 1020. Rope
- spring源代码-DispatcherServlet
- Linux 输出重定向>和>>的区别是什么?