怎么用python代码实现knn算法

34次阅读

共计 917 个字符，预计需要花费 3 分钟才能阅读完成。

下面是一个简单的示例代码，实现了 knn 算法：

python import numpy as np from collections import Counter


def knn(train_X, train_y, test_X, k):
    distances = []
    
    # 计算测试样本与训练样本之间的距离 
    for i in range(len(train_X)):
        distance = np.sqrt(np.sum(np.square(test_X - train_X[i])))
        distances.append((distance, train_y[i]))
    
    # 按距离从小到大排序 
    distances.sort(key=lambda x: x[0])
    
    # 选择距离最近的 k 个样本 
    neighbors = []
    for i in range(k):
        neighbors.append(distances[i][1])
    
    # 根据 k 个样本的标签进行投票，选择出现次数最多的标签作为预测结果 
    counter = Counter(neighbors)
    prediction = counter.most_common(1)[0][0]
    
    return prediction
# 测试数据 
train_X = np.array([[1, 1], [1, 2], [2, 2], [3, 3], [4, 4]])
train_y = np.array([0, 0, 1, 1, 1])
test_X = np.array([[2, 3]])

# 使用 knn 算法进行预测 prediction = knn(train_X, train_y, test_X, 3) print(" 预测结果:", prediction)

在这个示例中，我们使用 numpy 库进行数据处理，collections 库中的 Counter 类用于计算标签的出现次数。首先，计算测试样本与训练样本之间的欧式距离，并将距离和对应的标签保存在列表中。然后，根据距离从小到大排序，选择距离最近的 k 个样本。最后，根据 k 个样本的标签进行投票，选择出现次数最多的标签作为预测结果。在这个例子中，我们使用一个简单的二维数据集进行测试，预测结果为 1。

丸趣 TV 网 – 提供最优质的资源集合！

正文完