公司网站非响应式模板,中国工厂网官网,微信电商小程序,门户网站的特点及优势KNN 算法–图像分类算法 找到最近的K个邻居#xff0c;在前k个最近样本中选择最近的占比最高的类别作为预测类别。 给定测试对象#xff0c;计算它与训练集中每个对象的距离。圈定距离最近的k个训练对象#xff0c;作为测试对象的邻居。根据这k个紧邻对象所属的类别#xf…KNN 算法–图像分类算法 找到最近的K个邻居在前k个最近样本中选择最近的占比最高的类别作为预测类别。 给定测试对象计算它与训练集中每个对象的距离。圈定距离最近的k个训练对象作为测试对象的邻居。根据这k个紧邻对象所属的类别找到占比最高的那个类别作为测试对象的预测类别。
影响因素
计算测试对象与训练集中各个对象的距离。k的选择。
import operatorimport numpy as np
import matplotlib.pyplot as pltdef create_data_set():group np.array([[1.0, 2.0], [1.2, 0.1], [0.1, 1.4], [0.3, 3.5], [1.1, 1.0], [0.5, 1.5]])labels np.array([A, A, B, B, A, B])return group, labelsdef knn_classify(k, dis, X_train, x_train, Y_test):assert dis E or dis M, dis must E or M, E 代表欧式距离M代表曼哈顿距离num_test Y_test.shape[0]label_list []if dis E:for i in range(num_test):distances np.sqrt(np.sum(((X_train - np.tile(Y_test[i], (X_train.shape[0], 1))) ** 2), axis1))nearest_k np.argsort(distances)topK nearest_k[:k]print(topK)classCount {}for i in topK:classCount[x_train[i]] classCount.get(x_train[i], 0) 1sorted_class_count sorted(classCount.items(), keyoperator.itemgetter(1), reverseTrue)label_list.append(sorted_class_count[0][0])return np.array(label_list)if __name__ __main__:group, labels create_data_set()plt.scatter(group[labels A, 0], group[labels A, 1], colorr, marker*)plt.scatter(group[labels B, 0], group[labels B, 1], colorg, marker)y_test_pred knn_classify(1, E, group, labels, np.array([[1.0, 2.1], [0.4, 2.0]]))print(y_test_pred)plt.show()
