博客
关于我
KNN —— 基本介绍与简要实现
阅读量:347 次
发布时间:2019-03-04

本文共 1345 字,大约阅读时间需要 4 分钟。

KNN

介绍

knn又叫做k最近邻,也是一个分类的算法,其基本思想如下:

我们预测一个样本属于哪一类,就看在一定范围内,它离那个类别最近。

K代表你指定的范围,比如你指定K为7,就是说在离测试数据最近的7个样本中,哪个类别占得多,那我们就把测试数据分到那一类。

一般来说如果是二分类的话,K都会取奇数,免得出现一样的情况。

步骤

  1. 计算测试点到所有样本点的距离
  2. 对距离进行从小到大排序
  3. 取前K个最近的距离,找到对应的类别
  4. 那个类别最多就把测试点归到哪一类

实现

sklearn中自带了一些数据集,这里以鸢尾花为例;

数据包括四个特征: 花萼长度、花萼宽度、花瓣长度、花瓣宽度 ;

类别有三个:山鸢尾花、变色鸢尾花、维吉尼亚鸢尾花。用0、1、2表示;

K取5。

import numpy as npfrom sklearn import datasetsfrom sklearn.model_selection._split import train_test_splitfrom sklearn.metrics import classification_reportdef knn(x_test,x_train,y_train,k):    x_data_size = x_train.shape[0]        # 求距离    diffMat = np.tile(x_test,(x_data_size,1))-x_train    dis = (diffMat**2).sum(axis=1)    dis = dis**0.5        # 排序,argsort排序存的是索引,不是值    sortedDis = np.argsort(dis)        # 统计前k个最近点的标签    classCount = {   }    for i in range(k):        label = y_train[sortedDis[i]]        classCount[label] = classCount.get(label, 0)+1    sortedClassCount = sorted(classCount.items(), key=lambda item:item[1], reverse=True)    return sortedClassCount[0][0]# 导入sklearn自带的鸢尾花数据集iris = datasets.load_iris()# 切分测试机,训练集x_train,x_test,y_train,y_test = train_test_split(iris.data,iris.target,test_size=0.2)# knn环节predictions = []for i in range(x_test.shape[0]):    predictions.append(knn(x_test[i], x_train, y_train, 5))# 计算指标print(classification_report(y_test,predictions))

以上例子计算得出的正确率、召回率和F1如下图所示:

knn

转载地址:http://hehe.baihongyu.com/

你可能感兴趣的文章
mysql大批量删除(修改)The total number of locks exceeds the lock table size 错误的解决办法
查看>>
mysql如何做到存在就更新不存就插入_MySQL 索引及优化实战(二)
查看>>
mysql如何删除数据表,被关联的数据表如何删除呢
查看>>
MySQL如何实现ACID ?
查看>>
mysql如何记录数据库响应时间
查看>>
MySQL子查询
查看>>
Mysql字段、索引操作
查看>>
mysql字段的细节(查询自定义的字段[意义-行列转置];UNION ALL;case-when)
查看>>
mysql字段类型不一致导致的索引失效
查看>>
mysql字段类型介绍
查看>>
mysql字段解析逗号分割_MySQL逗号分割字段的行列转换技巧
查看>>
MySQL字符集与排序规则
查看>>
MySQL字符集乱码
查看>>
mysql字符集设置
查看>>
mysql存储IP地址的数据类型
查看>>
mysql存储中文 但是读取乱码_mysql存储中文乱码
查看>>
MySQL存储引擎
查看>>
MySQL存储引擎
查看>>
MySQL存储引擎--MYSIAM和INNODB引擎区别
查看>>
Mysql存储引擎(1):存储引擎体系结构和介绍
查看>>