首页 > 代码库 > 机器学习实战__KNN1

机器学习实战__KNN1

KNN的算法工作原理:

  存在一个训练样本集合,样本集中每个数据都有确定的标签(分类),即我们知道样本集中每一数据与所属分类的对应关系。输人没有标签的新数据后,将新数据的每个特征与样本集中数据对应的特征进行比较,然后算法提取样本集中特征最相似数据(最近邻)的分类标签。一般来说,我们只选择样本数据集中前K个最相似的数据,这就是K-近邻算法中K的出处,通常K是不大于20的整数。最后,选择K个最相似数据中出现次数最多的标签,作为新数据的分类。

 

一个KNN实战入门例子:

  技术分享

技术分享
from numpy import *import operatordef createDataSet():    group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])    labels = [A,A,B,B]    return group, labelsdef classify0(inX, dataSet, labels, k):    dataSetSize = dataSet.shape[0]    diffMat = tile(inX, (dataSetSize,1)) - dataSet    sqDiffMat = diffMat**2    sqDistances = sqDiffMat.sum(axis=1)    distances = sqDistances**0.5    sortedDistIndicies = distances.argsort()    classCount={}    for i in range(k):        voteIlabel = labels[sortedDistIndicies[i]]        classCount[voteIlabel] = classCount.get(voteIlabel,0)+1        sortedClassCount = sorted(classCount.iteritems(),key = operator.itemgetter(1),reverse=True)        return sortedClassCount[0][0]
KNN.py源码

 

以上代码的流程说明:

  用一个简单的训练集,得到简单的一个模型,如图:

  技术分享

技术分享
1 import KNN2 3 group,labels = KNN.createDataSet()4 var = KNN.classify0([1,0],group,labels,3)5 6 print(var)
main.py

以上main.py调用KNN.py(即import KNN.py模块),进行测试输入点,通过这个简单的模型得到一个预测,输出标签(类别)

结果:

技术分享

 

机器学习实战__KNN1