• python机器学习一:KNN算法实现


    所谓的KNN算法,或者说K最近邻(kNN,k-NearestNeighbor)分类算法是数据挖掘分类技术中最简单的方法之一。所谓K最近邻,就是k个最近的邻居的意思,说的是每个样本都可以用它最接近的k个邻居来代表。

    这里举一个很简单的例子来理解一下KNN算法的原理,假设有以下数据,根据微信、电话、短信联系的次数将朋友进行归类为认识、普通、好友三个类别,如下:

    根据A-J的特征来确定K应该属于哪一类朋友?

    那么就可以用下面的代码来进行归类:

    #! /usr/bin/env python
    # encoding:utf-8
    import math
    def KNNAlg():
        base_data = {"A": [2, 0, 0, "认识"],
                     "B": [5, 1, 0, "认识"],
                     "C": [30, 5, 2, "好友"],
                     "D": [10, 3, 1, "好友"],
                     "E": [8, 2, 5, "普通"],
                     "F": [32, 5, 2, "好友"],
                     "G": [6, 2, 1, "普通"],
                     "H": [9, 3, 0, "普通"],
                     "I": [11, 1, 4, "好友"],
                     "J": [2, 0, 2, "认识"]}
        
        target = [20,4,3] #K的数据
        KNN =[]
        for key,v in base_data.items():
            d = math.sqrt((target[0]-v[0])**2 + (target[1]-v[1])**2 + (target[2]-v[2])**2)  #计算距离
            KNN.append([key,round(d,2)])  #取两位小数
        KNN.sort(key=lambda dic:dic[1])   #根据第二项排序
        KNN = KNN[:6] #取距离最近的6个邻居
        print(KNN)
    
        labels = {"认识": 0, "好友": 0, "普通": 0}
        for s in KNN:
            temp = base_data[s[0]]
            #print(temp)
            labels[temp[3]] += 1
        labels = sorted(labels.items(),key = lambda dic: dic[1],reverse=True)
        print(labels,labels[0][0],sep='
    ')
    
    
    if __name__ == '__main__':
        KNNAlg()
    

      最后的输出:

    [('好友', 4), ('普通', 2), ('认识', 0)]
    好友

    可以看到K是属于好友类别的。

    KNN是属于惰性学习的,样本数据已经很明确的归类,新的数据只需要归类就好了,并没有一个训练的过程。其次,根据K的大小和样本容量的分布,很容易得出错误的结论,再次,样本容量很大时,计算会变得很复杂,计算量大

      



  • 相关阅读:
    1058 A+B in Hogwarts (20)
    1036. Boys vs Girls (25)
    1035 Password (20)
    1027 Colors in Mars (20)
    1009. Product of Polynomials (25)
    1006. Sign In and Sign Out
    1005 Spell It Right (20)
    1046 Shortest Distance (20)
    ViewPager页面滑动,滑动到最后一页,再往后滑动则执行一个事件
    IIS7.0上传文件限制的解决方法
  • 原文地址:https://www.cnblogs.com/xqn2017/p/8430525.html
Copyright © 2020-2023  润新知