python如何使用knn實現(xiàn)特征向量分類-創(chuàng)新互聯(lián)

小編給大家分享一下python如何使用knn實現(xiàn)特征向量分類，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！

10余年的漢壽網站建設經驗，針對設計、前端、開發(fā)、售后、文案、推廣等六對一服務，響應快，48小時及時工作處理。成都全網營銷的優(yōu)勢是能夠根據用戶設備顯示端的尺寸不同，自動調整漢壽建站的顯示方式，使網站能夠適用不同顯示終端，在瀏覽器中調整網站的寬度，無論在任何一種瀏覽器上瀏覽網站，都能展現(xiàn)優(yōu)雅布局與設計，從而大程度地提升瀏覽體驗。成都創(chuàng)新互聯(lián)從事“漢壽網站設計”,“漢壽網站推廣”以來，每個客戶項目都認真落實執(zhí)行。

這是一個使用knn把特征向量進行分類的demo。

Knn算法的思想簡單說就是：看輸入的sample點周圍的k個點都屬于哪個類，哪個類的點最多，就把sample歸為哪個類。也就是說，訓練集是一些已經被手動打好標簽的數(shù)據，knn會根據你打好的標簽來挖掘同類對象的相似點，從而推算sample的標簽。

Knn算法的準確度受k影響較大，可能需要寫個循環(huán)試一下選出針對不同數(shù)據集的最優(yōu)的k。

至于如何拿到特征向量，可以參考之前的博文。

代碼：

#-*- coding: utf-8 -*-
__author__ = 'Rossie'
from numpy import *
import operator

'''構造數(shù)據'''
def createDataSet():
  characters=array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
  labels=['A','A','B','B']
  return characters,labels

'''從文件中讀取數(shù)據，將文本記錄轉換為矩陣，提取其中特征和類標'''
def file2matrix(filename):
  fr=open(filename)
  arrayOLines=fr.readlines()
  numberOfLines=len(arrayOLines)    #得到文件行數(shù)
  returnMat=zeros((numberOfLines,3))   #創(chuàng)建以零填充的numberOfLines*3的NumPy矩陣
  classLabelVector=[]
  index=0
  for line in arrayOLines:       #解析文件數(shù)據到列表
    line=line.strip()
    listFromLine=line.split('\t')
    returnMat[index, :]=listFromLine[0:3]
    classLabelVector.append(listFromLine[-1])
    index+=1
  return returnMat,classLabelVector   #返回特征矩陣和類標集合

'''歸一化數(shù)字特征值到0-1范圍'''
'''輸入為特征值矩陣'''
def autoNorm(dataSet):
  minVals=dataSet.min(0)
  maxVals=dataSet.max(0)
  ranges=maxVals-minVals
  normDataSet=zeros(shape(dataSet))
  m=dataSet.shape[0]
  normDataSet=dataSet-tile(minVals,(m,1))
  normDataSet=normDataSet/tile(ranges,(m,1))
  return normDataSet,ranges, minVals
  
def classify(sample,dataSet,labels,k):
  dataSetSize=dataSet.shape[0]   #數(shù)據集行數(shù)即數(shù)據集記錄數(shù)
  '''距離計算'''
  diffMat=tile(sample,(dataSetSize,1))-dataSet     #樣本與原先所有樣本的差值矩陣
  sqDiffMat=diffMat**2   #差值矩陣平方
  sqDistances=sqDiffMat.sum(axis=1)    #計算每一行上元素的和
  distances=sqDistances**0.5  #開方
  sortedDistIndicies=distances.argsort()   #按distances中元素進行升序排序后得到的對應下標的列表
  '''選擇距離最小的k個點'''
  classCount={}
  for i in range(k):
    voteIlabel=labels[sortedDistIndicies[i]]
    classCount[voteIlabel]=classCount.get(voteIlabel,0)+1
  '''從大到小排序'''
  sortedClassCount=sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
  return sortedClassCount[0][0]

'''針對約會網站數(shù)據的測試代碼'''
def datingClassTest():
  hoRatio=0.20     #測試樣例數(shù)據比例
  datingDataMat,datingLabels=file2matrix('datingTestSet1.txt')
  normMat, ranges, minVals=autoNorm(datingDataMat)
  m =normMat.shape[0]
  numTestVecs=int(m*hoRatio)
  errorCount=0.0
  k=4
  for i in range(numTestVecs):
    classifierResult=classify(normMat[i, : ],normMat[numTestVecs:m, : ],datingLabels[numTestVecs:m],k)
    print("The classifier came back with: %s, thereal answer is: %s" %(classifierResult, datingLabels[i]))
    if(classifierResult!= datingLabels [i] ) :
      errorCount += 1.0
  print("the total error rate is: %f" % (errorCount/float(numTestVecs)))

def main():
  sample=[0,0]#簡單樣本測試
  sampleText = [39948,6.830795,1.213342]#文本中向量樣本測試
  k=3
  group,labels=createDataSet()
  label1=classify(sample,group,labels,k)#簡單樣本的分類結果
  fileN = "datingTestSet.txt"
  matrix,label = file2matrix(fileN)
  label2 =classify(sampleText,matrix,label,k)#文本樣本的分類結果
  print("ClassifiedLabel of the simple sample:"+label1)
  print("Classified Label of the textsample:"+label2)



if __name__=='__main__':
  main()
  #datingClassTest()

以上是“python如何使用knn實現(xiàn)特征向量分類”這篇文章的所有內容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內容對大家有所幫助，如果還想學習更多知識，歡迎關注創(chuàng)新互聯(lián)成都網站設計公司行業(yè)資訊頻道！

另外有需要云服務器可以了解下創(chuàng)新互聯(lián)scvps.cn，海內外云服務器15元起步，三天無理由+7*72小時售后在線，公司持有idc許可證，提供“云服務器、裸金屬服務器、高防服務器、香港服務器、美國服務器、虛擬主機、免備案服務器”等云主機租用服務以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務可用性高、性價比高”等特點與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應用場景需求。

網頁題目：python如何使用knn實現(xiàn)特征向量分類-創(chuàng)新互聯(lián)
URL分享：http://muchs.cn/article34/dsggse.html

成都網站建設公司_創(chuàng)新互聯(lián)，為您提供外貿建站、關鍵詞優(yōu)化、用戶體驗、標簽優(yōu)化、虛擬主機、ChatGPT

聲明：本網站發(fā)布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源：創(chuàng)新互聯(lián)

猜你還喜歡下面的內容