标签:KNN dist clf 算法 result np import data
1、底层算法
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
#先随机设置十个样本点表示十杯酒
rowdata = {'颜色深度':[14.23,13.2,13.16,14.37,13.24,12.07,12.43,11.79,12.37,12.04],
'酒精浓度':[5.64,4.38,5.68,4.80,4.32,2.76,3.94,3. ,2.12,2.6 ],
'品种':[0,0,0,0,0,1,1,1,1,1]}
# 0代表黑皮诺 , 1代表赤霞珠
wine_data = pd.DataFrame(rowdata)
wine_data
X = np.array(wine_data.iloc[:,0:2])
X
y = np.array(wine_data.iloc[:,-1])
y
new_data = np.array([12.8,4.1]) #要判断的数据
# 1 算距离
from math import sqrt
distance = [sqrt(np.sum((x-new_data)**2)) for x in X]
distance
# 2 找邻居
sort_dist = np.argsort(distance) #排序 返回数组的索引
sort_dist
k = 3 #选取前3个样本
topK = [y[i] for i in sort_dist[:k]]
topK
# 3 做分类
from collections import Counter #对已有的数据类别进行计数,返回字典
votes = Counter(topK)
votes
predict = votes.most_common(1)[0][0] #排序,索引 次数出现最多的
predict
#打包成函数
def KNN(inx,dataset,k):
import numpy as np
import pandas as pd
from math import sqrt
from collections import Counter
result=[]
distance = [sqrt(np.sum((x-inx)**2)) for x in np.array(dataset.iloc[:,0:2])]
sort_dist = np.argsort(distance)
topK = [dataset.iloc[:,-1][i] for i in sort_dist[:k]]
result.append(Counter(topK).most_common(1)[0][0])
return result
KNN(new_data,wine_data,3)
2、sklearn实现
from sklearn.neighbors import KNeighborsClassifier # 调包 k近邻分类型
# 实例化(赋值的过程:将算法本身的模型赋值给一个变量)
clf = KNeighborsClassifier(n_neighbors=3)
# 训练模型
clf = clf.fit(X,y)
# 预测输出,返回预测的标签
result = clf.predict([[12.8,4.1]])
result
# 模型的评估,接口score返回预测的准确率
score = clf.score([[12.8,4.1]],[0])
score
# 返回预测的概率
clf.predict_proba([[12.8,4.1]])
标签:KNN,dist,clf,算法,result,np,import,data 来源: https://blog.csdn.net/m0_45384958/article/details/100807450
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。