内容字号:默认大号超大号

段落设置:段首缩进取消段首缩进

字体设置:切换到微软雅黑切换到宋体

python实现简单KNN

2018-04-16 17:30 出处:清屏网 人气: 评论(0

KNN基本步骤:计算与已知数据的距离,选择k个最近距离的数据,看这k个数据的标签最多属于什么类,预测未知数据的分类

1、新建一个KNN.py模块

需要使用numpy

from numpy import *
import operator

2. 向模块添加已知的数据和标签

def createDataSet():
    group=array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
    labels=['A','A','B','B']
    return group, labels

3.对未知数据的分类

def classify0(inX, dataset,labels,k):
    # 计算输入数据和已有所有数据的距离
    dataSetSize=dataset.shape[0]
    diffMat=tile(inX,(dataSetSize,1))-dataset
    sqDiffMat=diffMat**2
    sqDistances=sqDiffMat.sum(axis=1) #没有axis参数表示全部相加,axis=0表示按列相加,axis=1表示按照行的方向相加
    distances=sqDistances**0.5
    
    #排序
    sortedDistIndex=distances.argsort()  #argsort将数据从小到大排列,并返回其索引值
    # 选择距离最小的k个点
    classCount={} #字典类型
    
    for i in range(k):
        votelabel=labels[sortedDistIndex[i]]
        classCount[votelabel]=classCount.get(votelabel,0)+1
    sortedClasscount=sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
    
    return sortedClasscount[0][0]

4.测试一下这个模型

import KNN
group,labels=KNN.createDataSet()
newlabel=KNN.classify0([0,0],group,labels,3)
print(newlabel)

结果是B

也可以测试其他数据;这是最简单的KNN例子,参照机器学习实战;

主要是为了自己理解和记忆(新手入门)

其中,关于python的一些用法,记录在此,方便查阅

  • shape函数是numpy.core.fromnumeric中的函数,它的功能是读取矩阵的长度,比如shape[0]就是读取矩阵第一维度的长度。它的输入参数可以使一个整数表示维度,也可以是一个矩阵。

输入一个数,返回空;可以快速读取一个数组的形状;可以只读取一维的长度;

shape(3)
Out[4]: ()

e=eye(3)

e
Out[6]: 
array([[1., 0., 0.],
       [0., 1., 0.],
       [0., 0., 1.]])

e.shape
Out[7]: (3, 3)

e.shape[0]
Out[8]: 3
  • tile函数位于python模块 numpy.lib.shape_base中,他的功能是重复某个数组。比如tile(A,n),功能是将数组A重复n次,构成一个新的数组
  • a=[0,1,2]
    
    b=tile(a,2)
    
    b
    Out[12]: array([0, 1, 2, 0, 1, 2])
    
    c=tile(a,(1,2))
    
    c
    Out[14]: array([[0, 1, 2, 0, 1, 2]])
    
    d=tile(a,(3,1))
    
    d
    Out[16]: 
    array([[0, 1, 2],
           [0, 1, 2],
           [0, 1, 2]])
    
  • sum
  • sum(iterable[, start])
    
    • iterable -- 可迭代对象,如列表。
    • start -- 指定相加的参数,如果没有设置这个值,默认为0
  •       .sum
aa=array([[0,1,2],[3,4,5]]); aa.sum() Out[22]: 15 aa.sum(axis=0) Out[23]: array([3, 5, 7]) aa.sum(axis=1) Out[24]: array([ 3, 12])

默认所有数相加,axis=0,列相加;axis=1,行相加。

  • argsort
argsort(a, axis=-1, kind='quicksort', order=None)

具体实例可参见:https://blog.csdn.net/maoersong/article/details/21875705

a是需要排序的数组,返回的是索引值

distance=array([0.3,0.5,0.8,0.4])

index=distance.argsort()

index
Out[27]: array([0, 3, 1, 2], dtype=int64)
aa=array([[0,1,2],[3,4,5]]);

x=aa.argsort(axis=0)

x
Out[30]: 
array([[0, 0, 0],
       [1, 1, 1]], dtype=int64)

x=aa.argsort(axis=1)

x
Out[32]: 
array([[0, 1, 2],
       [0, 1, 2]], dtype=int64)

axis=0 按列;axis=1 按行;

  • 字典类型

字典是另一种可变容器模型,且可存储任意类型对象。

字典的每个键值 key=>value 对用冒号  : 分割,每个键值对之间用逗号  , 分割,整个字典包括在花括号  {} 中 ,格式如下所示:

d = {key1 : value1, key2 : value2 }
dict = {'a': 1, 'b': 2, 'b': '3'}

dict['b']
Out[34]: '3'

dict
Out[35]: {'a': 1, 'b': '3'}

键一般是唯一的,如果重复会被后一个覆盖,但是值不是唯一的;

  • sorted

详细讲解参见:http://www.cnblogs.com/woshitianma/p/3222989.html

sorted(iterable[,cmp,[,key[,reverse=True]]])
students = [('john', 'A', 15), ('jane', 'B', 12), ('dave', 'B', 10),]

sorted(students, key=lambda student : student[2])
Out[42]: [('dave', 'B', 10), ('jane', 'B', 12), ('john', 'A', 15)]

from operator import itemgetter, attrgetter

sorted(students, key=itemgetter(2))
Out[44]: [('dave', 'B', 10), ('jane', 'B', 12), ('john', 'A', 15)]

sorted(students, key=itemgetter(1,2))
Out[45]: [('john', 'A', 15), ('dave', 'B', 10), ('jane', 'B', 12)]

对字典排序,返回list,不再是字典

d = {'data1':3, 'data2':1, 'data3':2, 'data4':4}

sorted(d.items(), key=itemgetter(1), reverse=True)
Out[47]: [('data4', 4), ('data1', 3), ('data3', 2), ('data2', 1)]

sorted(d.items(), key=itemgetter(1))
Out[48]: [('data2', 1), ('data3', 2), ('data1', 3), ('data4', 4)]
  • items
 dict = {'Google': 'www.google.com', 'Runoob': 'www.runoob.com', 'taobao': 'www.taobao.com'}

dict.items()
Out[39]: dict_items([('Google', 'www.google.com'), ('Runoob', 'www.runoob.com'), ('taobao', 'www.taobao.com')])

Python 字典(Dictionary) items() 函数以列表返回可遍历的(键, 值) 元组数组。

新版本不再使用iteritems

分享给小伙伴们:
本文标签: KNNpython

相关文章

发表评论愿您的每句评论,都能给大家的生活添色彩,带来共鸣,带来思索,带来快乐。

CopyRight © 2015-2016 QingPingShan.com , All Rights Reserved.

清屏网 版权所有 豫ICP备15026204号