KNN算法（一个小案例）--实现大学生寝室推荐

原创已于 2023-09-08 11:34:48 修改 · 441 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#算法 #python #scikit-learn

于 2023-09-07 22:06:46 首次发布

本文介绍了如何使用KNN算法收集大学生的旅行里程、游戏时间和学习时间等特征，进行宿舍推荐。算法简单易懂，但对大样本量和不均衡样本存在挑战。

如何实现

1.我们将大学生的各个特征进行信息收集，例如：旅行里程、游戏时间、学习时间。
2.然后利用KNN算法将信息进行分类，以此实现宿舍的推荐

一、KNN是什么？

KNN（K-Nearest Neighbor）算法是机器学习算法中最基础、最简单的算法之一。它既能用于分类，也能用于回归。KNN通过测量不同特征值之间的距离来进行分类。
简单来说：就是将一个新的预测数据作为样本放入特征空间中，将其划分到与他邻近的，频率最高的类别。
在这里插入图片描述

我们将往届学生进行问卷调查，收集他们每天的平均步数、玩游戏时间以及学习时间。然后将他们进行分类，爱玩的同学为1，一般的同学为2，爱学习的同学为3.
这样我们就可以根据新生的特征值来对他们进行宿舍推荐。

二、实现

1.具体代码

# data_txt就是我接受的上面图片的信息
data_feature = data_txt[:, :-1]  # 特征值：步数，游戏/学习时间
data_label = data_txt[:, -1]  # 分类标签
neigh = KNeighborsClassifier(n_neighbors=3)  # 将用图片更直观展示
neigh.fit(data, data_classifier)  # 将数据进行训练

爱心❤为预测值
n_neighbors=3(k=3)
选取最邻近的三个样本，取权重最大的。
在这里插入图片描述

2.样本预测

对新生的样本特征进行预测，如

print(neigh.predict([[13265, 0.3, 0.05]]))
print(neigh.predict([[3265, 0.05, 0.25]]))
print(neigh.predict([[9265, 0.2, 0.08]]))

# 结果
[1.]
[3.]
[2.]

这样我们就可以根据新生的特征值来为他们推荐宿舍啦

总结

KNN算法也有很多优缺点
1.优点：
（1）简单，易于理解，易于实现，无需训练;
（2）适合对稀有事件进行分类;
（3）对异常值不敏感。
2.缺点：
（1）样本容量比较大时，计算时间很长;
（2）不均衡样本效果较差。