| 标题 | python k-近邻算法实例分享 |
| 内容 | 这个算法主要工作是测量不同特征值之间的距离，有个这个距离，就可以进行分类了。简称kNN。 简单说明 这个算法主要工作是测量不同特征值之间的距离，有个这个距离，就可以进行分类了。 简称kNN。 已知：训练集，以及每个训练集的标签。 接下来：和训练集中的数据对比，计算最相似的k个距离。选择相似数据中最多的那个分类。作为新数据的分类。 python实例 代码如下: #-*-coding:cp936-*- #win系统中应用cp936编码，linux中最好还是utf-8比较好。 fromnumpyimport*#引入科学计算包 importoperator#经典python函数库。运算符模块。 #创建数据集 defcreateDataSet(): group=array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]]) labels=['A','A','B','B'] returngroup,labels #算法核心 #inX：用于分类的输入向量。即将对其进行分类。 #dataSet：训练样本集 #labels:标签向量 defclassfy0(inX,dataSet,labels,k): #距离计算 dataSetSize=dataSet.shape[0]#得到数组的行数。即知道有几个训练数据 diffMat=tile(inX,(dataSetSize,1))-dataSet#tile:numpy中的函数。tile将原来的一个数组，扩充成了4个一样的数组。diffMat得到了目标与训练数值之间的差值。 sqDiffMat=diffMat**2#各个元素分别平方 sqDistances=sqDiffMat.sum(axis=1)#对应列相乘，即得到了每一个距离的平方 distances=sqDistances**0.5#开方，得到距离。 sortedDistIndicies=distances.argsort()#升序排列 #选择距离最小的k个点。 classCount={} foriinrange(k): voteIlabel=labels[sortedDistIndicies[i]] classCount[voteIlabel]=classCount.get(voteIlabel,0)+1 #排序 sortedClassCount=sorted(classCount.iteritems(),key=operator.itemgetter(1),reverse=True) returnsortedClassCount[0][0] 意外收获 把自己写的模块加入到python默认就有的搜索路径：在python/lib/-packages目录下建立一个xxx.pth的文件，写入自己写的模块所在的路径即可。 |
| 随便看 |
|
在线学习网考试资料包含高考、自考、专升本考试、人事考试、公务员考试、大学生村官考试、特岗教师招聘考试、事业单位招聘考试、企业人才招聘、银行招聘、教师招聘、农村信用社招聘、各类资格证书考试等各类考试资料。