PYTHON机器学习——KNN（k近邻算法）_knn算法资源-CSDN文库

98 浏览量 2020-12-22 02:15:35 上传评论 1 收藏 44KB PDF 举报

资源推荐

资源详情

资源评论

PYTHON机器学习机器学习——KNN（（k近邻算法）近邻算法）

PYTHON机器学习——KNN（k近邻算法）

代码实现代码实现

首先，导入需要用到的包

import numpy as np

import matplotlib.pyplot as plt

初始化模拟数据集和对应的分类

data_x=[[1.15,2.34],

[1.55,2.47],

[3.78,4.98],

[3.34,4.56],

[2.22,2.34]] data_y=[1,1,0,0,1] X_train=np.array(data_x)

Y_train=np.array(data_y)

画图看一下两类数据在图上的分布情况

plt.scatter(X_train[Y_train==1,0],X_train[Y_train==1,1],color='r')

plt.scatter(X_train[Y_train==0,0],X_train[Y_train==0,1],color='y')

KNN的原理就是当预测一个新的值x的时候，根据它距离最近的K个点是什么类别来判断x属于哪个类别。现在我们模拟要看一

下，如果出现一个新的数据点，根据欧式距离计算。

要度量空间中点距离的话，有好几种度量方式，比如常见的曼哈顿距离计算，欧式距离计算等等。不过通常KNN算法中使用

的是欧式距离，这里只是简单说一下，拿二维平面为例，，二维空间两个点的欧式距离计算公式如下：

二维空间欧式距离

其实就是计算（x1,y1）和（x2,y2）的距离：

# 欧式计算距离

distance=[] x=np.array([1.2,3.2])

for i in X_train:

d=np.sqrt(np.sum((x-i)**2))

distance.append(d)

distance

[0.8614522621712712,

0.8095677859203638,

3.1344537004077764,

2.5355867171130226,

1.3341664064126337]

dd=np.argsort(distance)#找到排序由小到大的索引索引

array([1, 0, 2], dtype=int64)

top_k=[Y_train[i] for i in dd[:2]] #找到排序小的前两个通过索引找对应的y

[1, 1]

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余1页未读，立即下载

内容反馈

weixin_38699784

粉丝: 5
资源: 954

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈

feedback-tip