使用python实现knn算法
发布时间：2020-12-17 07:41:03 所属栏目：Python 来源：网络整理
导读：本文实例为大家分享了python实现knn算法的具体代码，供大家参考，具体内容如下 knn算法描述 对需要分类的点依次执行以下操作： 1.计算已知类别数据集中每个点与该点之间的距离 2.按照距离递增顺序排序 3.选取与该点距离最近的k个点 4.确定前k个点所在类别出
|
本文实例为大家分享了python实现knn算法的具体代码，供大家参考，具体内容如下 knn算法描述 对需要分类的点依次执行以下操作： knn算法实现 数据处理
#从文件中读取数据，返回的数据和分类均为二维数组
def loadDataSet(filename):
dataSet = []
labels = []
fr = open(filename)
for line in fr.readlines():
lineArr = line.strip().split(",")
dataSet.append([float(lineArr[0]),float(lineArr[1])])
labels.append([float(lineArr[2])])
return dataSet,labels
knn算法
#计算两个向量之间的欧氏距离
def calDist(X1,X2):
sum = 0
for x1,x2 in zip(X1,X2):
sum += (x1 - x2) ** 2
return sum ** 0.5
def knn(data,dataSet,labels,k):
n = shape(dataSet)[0]
for i in range(n):
dist = calDist(data,dataSet[i])
#只记录两点之间的距离和已知点的类别
labels[i].append(dist)
#按照距离递增排序
labels.sort(key=lambda x:x[1])
count = {}
#统计每个类别出现的频率
for i in range(k):
key = labels[i][0]
if count.has_key(key):
count[key] += 1
else : count[key] = 1
#按频率递减排序
sortCount = sorted(count.items(),key=lambda item:item[1],reverse=True)
return sortCount[0][0]#返回频率最高的key，即label
结果测试 已知类别数据（来源于西瓜书+虚构） 0.697,0.460,1 绘图方法
def drawPoints(data,labels):
xcord1 = [];
ycord1 = [];
xcord2 = [];
ycord2 = [];
for i in range(shape(dataSet)[0]):
if labels[i][0] == 0:
xcord1.append(dataSet[i][0])
ycord1.append(dataSet[i][1])
if labels[i][0] == 1:
xcord2.append(dataSet[i][0])
ycord2.append(dataSet[i][1])
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(xcord1,ycord1,s=30,c='blue',marker='s',label=0)
ax.scatter(xcord2,ycord2,c='green',label=1)
ax.scatter(data[0],data[1],c='red',label="testdata")
plt.legend(loc='upper right')
plt.show()
测试代码
dataSet,labels = loadDataSet('dataSet.txt')
data = [0.6767,0.2122]
drawPoints(data,labels)
newlabels = knn(data,5)
print newlabels
运行结果
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持编程小技巧。 （编辑：李大同） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
