机器学习——k邻近算法测试

最新推荐文章于 2023-10-09 19:41:34 发布

原创最新推荐文章于 2023-10-09 19:41:34 发布 · 922 阅读

3 ·

CC 4.0 BY-SA版权

机器学习同时被 2 个专栏收录

5 篇文章

订阅专栏

Python

4 篇文章

订阅专栏

本文探讨了K近邻算法在数据分类任务中的实现过程，包括数据预处理、特征缩放、数据分割以及算法训练与评估。通过实例展示了如何使用K近邻算法对数据集进行分类，并分析了不同参数设置对算法性能的影响。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

def datingClassTest():
    #这个常量的定义是为了截取10%的数据
    hoRatio = 0.10
    #调用处理数据的函数
    datingDataMat,datingLabels = file2matrix("E:\\datingTestSet2.txt")
    #调用归一值函数
    normat,ranges,minVals=autoNorm(datingDataMat)
    #获取数据的行数
    m=normat.shape[0]
    #取数据的10%
    numTestVecs=int(m*hoRatio)
    #定义错误计值变量
    errorCount=0.0
    #开始循环进行数据处理
    for i in range(numTestVecs):
        #调用函数classifiereRsult（inx，dataSet，labels，k）对算法进行训练
        #由此可以看出K邻近算法的局限性：它不能自动优化唯一可以调整的数值是k还是通过人工调整，只要k不变无论执行多少次结果都不会变
        #如k值是3时错误率是0.05 k值是4时错误率是0.03 是5时错误率是0.04 numtestbec表示行从numTestVec到m即跳过前10%
        classifierResult=classify(normat[i,:],normat[numTestVecs:m,:],datingLabels[numTestVecs:m],4)
        print "分类结果是：%d,真实结果是：%d".decode("utf-8")%(classifierResult,datingLabels[i])
        if(classifierResult!=datingLabels[i]):
            print "这个结果错了！".decode("utf-8")
            errorCount+=1.0
    print "总的错误率是：%f".decode("utf-8")%(errorCount/float(numTestVecs))