KNN算法示例
来源:互联网 发布:windows ce6.0应用软件 编辑:程序博客网 时间:2024/06/17 02:49
# -*- coding: UTF-8 -*-import mathimport csvimport randomimport operator'''@author:hunter@time:2017.03.31'''class KNearestNeighbor(object): def __init__(self): pass def loadDataset(self,filename, split, trainingSet, testSet): # 加载数据集 split以某个值为界限分类train和test with open(filename, 'r') as csvfile: lines = csv.reader(csvfile) #读取所有的行 dataset = list(lines) #转化成列表 for x in range(len(dataset)-1): for y in range(4): dataset[x][y] = float(dataset[x][y]) if random.random() < split: # 将所有数据加载到train和test中 trainingSet.append(dataset[x]) else: testSet.append(dataset[x]) def calculateDistance(self,testdata, traindata, length): # 计算距离 distance = 0 # length表示维度 数据共有几维 for x in range(length): distance += pow((testdata[x]-traindata[x]), 2) return math.sqrt(distance) def getNeighbors(self,trainingSet, testInstance, k): # 返回最近的k个边距 distances = [] length = len(testInstance)-1 for x in range(len(trainingSet)): #对训练集的每一个数计算其到测试集的实际距离 dist = self.calculateDistance(testInstance, trainingSet[x], length) print('训练集:{}-距离:{}'.format(trainingSet[x], dist)) distances.append((trainingSet[x], dist)) distances.sort(key=operator.itemgetter(1)) # 把距离从小到大排列 neighbors = [] for x in range(k): #排序完成后取前k个距离 neighbors.append(distances[x][0]) print(neighbors) return neighbors def getResponse(self,neighbors): # 根据少数服从多数,决定归类到哪一类 classVotes = {} for x in range(len(neighbors)): response = neighbors[x][-1] # 统计每一个分类的多少 if response in classVotes: classVotes[response] += 1 else: classVotes[response] = 1 print(classVotes.items()) sortedVotes = sorted(classVotes.items(), key=operator.itemgetter(1), reverse=True) #reverse按降序的方式排列 return sortedVotes[0][0] def getAccuracy(self,testSet, predictions): # 准确率计算 correct = 0 for x in range(len(testSet)): if testSet[x][-1] == predictions[x]: #predictions是预测的和testset实际的比对 correct += 1 print('共有{}个预测正确,共有{}个测试数据'.format(correct,len(testSet))) return (correct/float(len(testSet)))*100.0 def Run(self): trainingSet = [] testSet = [] split = 0.75 self.loadDataset(r'testdata.txt', split, trainingSet, testSet) #数据划分 print('Train set: ' + str(len(trainingSet))) print('Test set: ' + str(len(testSet))) #generate predictions predictions = [] k = 3 # 取最近的3个数据 # correct = [] for x in range(len(testSet)): # 对所有的测试集进行测试 neighbors = self.getNeighbors(trainingSet, testSet[x], k) #找到3个最近的邻居 result = self.getResponse(neighbors) # 找这3个邻居归类到哪一类 predictions.append(result) # print(correct) accuracy = self.getAccuracy(testSet,predictions) print('Accuracy: ' + repr(accuracy) + '%')if __name__ == '__main__': a = KNearestNeighbor() a.Run()
0 0
- KNN算法示例
- kNN邻近算法逻辑思路和可分析示例思考?
- KNN算法
- KNN算法
- KNN算法
- KNN算法
- kNN算法
- KNN算法
- KNN算法
- KNN算法
- KNN算法
- knn算法
- kNN算法
- knn算法
- KNN算法
- KNN算法
- KNN算法
- KNN算法
- HDU5536 Chip Factory 【字典树】
- 37.top10热门品类之计算各品类点击、下单和支付的次数
- ActiveMQ消息持久化到Mysql数据库
- 怎样避免上线网站遭受DDOS攻击,XSS攻击,SQL漏洞,脚本注入?
- BaseDao的抽取
- KNN算法示例
- printf输出缓存问题
- Android4.4 wpa_supplicant深入分析之初识wpa_supplicant
- javascript使一个特定的表格隔行变色
- 鸟哥的linux私房菜学习笔记3
- Linux(Ubuntu)下使用OneNote
- ROS学习(基于Ubuntu 15.04 和ROS Jade)第三章 ROS核心教程 之 6 理解ROS话题
- [NFC] 读羊城通卡片信息
- PAT乙级(Basic Level)练习题 >客似云来