标题: k-近邻算法实现 [打印本页]

---

作者: look_w    时间: 2019-1-17 20:37     标题: k-近邻算法实现

from numpy import *
    import operator
     
     
    def createDataSet():
        group = array([[1.0, 1.1], [2.0, 2.0], [0, 0], [4.1, 5.1]])
        labels = ['A', 'B', 'C', 'D']
        return group, labels
     
     
    def classify0(inX, dataSet, labels, k):
        """
        :param inX: 用于分类的输出向量
        :param dataSet:输入的样本集
        :param labels:标签向量
        :param k:用于选择最近邻居的树目
        :return:
        """
        dataSetsize = dataSet.shape[0]  # 得到数据集的行数
        diffMat = tile(inX, (dataSetsize, 1)) - dataSet  # tile生成和训练样本对应的矩阵，并与训练样本求差
        sqDiffMat = diffMat ** 2
        sqDistances = sqDiffMat.sum(axis=1)  # 将矩阵的每一行相加
        distances = sqDistances ** 0.5
        sortedDistIndicies = distances.argsort()  # 从小到大排序 返回对应的索引位置
        classCount = {}
        for i in range(k):
            voteIlabel = labels[sortedDistIndicies]  # 找到该样本的类型
            classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1  # 在字典中将该类型加一
        sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)  # reverse = True代表降序
        return sortedClassCount[0][0]  # 排序并返回出现最多的那个类型

2.测试

    import kNN
     
     
    group,labels = kNN.createDataSet()
    print(kNN.classify0([0,0],group,labels,3))
    print(kNN.classify0([1,2],group,labels,3))
    print(kNN.classify0([3,3],group,labels,3))
    print(kNN.classify0([5,5],group,labels,3))

3.实验结果

C
A
B
D

实验环境：Ubuntu18.04+Pycharm+python3.6+numpy
---------------------
作者：RivenDong
来源：CSDN
原文：https://blog.csdn.net/RivenDong/article/details/86175831
版权声明：本文为博主原创文章，转载请附上博文链接！

---

欢迎光临 电子技术论坛_中国专业的电子工程师学习交流社区-中电网技术论坛 (http://bbs.eccn.com/)

Powered by Discuz! 7.0.0