k近邻算法的python代码实现
时间: 2023-10-12 10:18:39 浏览: 106
k近邻算法的Python代码实现如下:
```
from sklearn.neighbors import KNeighborsClassifier
# 创建k近邻分类器
knn = KNeighborsClassifier(n_neighbors=3)
# 训练模型
knn.fit(X_train, y_train)
# 预测
y_pred = knn.predict(X_test)
```
这段代码可以用于机器学习中的分类问题,通过计算测试样本与训练样本之间的距离,找出最近的k个训练样本,然后根据这k个样本的类别进行投票来确定测试样本的分类。
相关问题
k近邻算法python代码
以下是k近邻算法的Python代码:
```python
import numpy as np
from collections import Counter
class KNN:
def __init__(self, k):
self.k = k
def fit(self, X, y):
self.X_train = X
self.y_train = y
def euclidean_distance(self, X):
return np.sqrt(np.sum((self.X_train - X)**2, axis=1))
def predict(self, X):
distances = self.euclidean_distance(X)
k_nearest = np.argsort(distances)[:self.k]
k_nearest_labels = self.y_train[k_nearest]
most_common = Counter(k_nearest_labels).most_common(1)
return most_common[0][0]
```
其中,`fit`方法用于训练模型,`predict`方法用于预测数据。`euclidean_distance`方法用于计算欧几里得距离,并且`Counter`用于计算最近的k个样本中出现最多的标签。
k近邻算法Python实现
k近邻算法(k-Nearest Neighbor,k-NN)是一种基本的分类和回归方法,它的思路是:如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别。
以下是一个简单的k近邻算法Python实现:
```python
import numpy as np
from collections import Counter
def knn(X_train, y_train, x, k):
distances = [np.sqrt(np.sum((x - x_train) ** 2)) for x_train in X_train]
nearest = np.argsort(distances)
top_k = [y_train[i] for i in nearest[:k]]
votes = Counter(top_k)
return votes.most_common(1)
# 示例
X_train = np.array([[1, 2], [1, 4], [2, 1], [4, 2], [4, 4]])
y_train = ['A', 'A', 'B', 'B', 'B']
x = np.array([3, 2.5])
print(knn(X_train, y_train, x, k=3))
```
在上述代码中,`X_train`是训练集数据,`y_train`是训练集标签,`x`是待分类的数据点,`k`表示选取的最近邻个数。
函数首先计算待分类数据点与训练集中所有数据点的距离,并将距离从小到大排序。然后选择距离最小的前k个数据点,并统计它们所属的类别。最后返回出现次数最多的类别作为预测结果。
阅读全文