k近邻算法实例

最新推荐文章于 2022-11-04 08:15:00 发布

陈石涛

最新推荐文章于 2022-11-04 08:15:00 发布

阅读量1.3k

点赞数

CC 4.0 BY-SA版权

分类专栏： machine learning 文章标签： machine learning k近邻算法 python

本文链接：https://blog.youkuaiyun.com/Chanst_C/article/details/50775259

本文介绍了k近邻算法在机器学习中的应用，通过一个Python实例展示了如何使用k近邻算法对约会对象的喜好程度进行预测分类。主要包括四步：获取并解析样本数据，数据预处理以归一化特征，训练分类器并测试其5%的误差率，最后对新数据进行分类预测。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

k近邻算法是机器学习里面一个比较基础的算法，下面是一个pytho实例，用k近邻算法来对约会对象的主观喜好程度进行预测分类。

算法步骤：

（1）获取解析样本数据（本例使用datingTestSet.txt 可以到Github下载）

（2）数据预处理（不同特征的数据值的大小对于距离的影响较大，所以要对不同特征的数据值进行处理，换算成区间（0,1）的数据值）

（3）分类器测试（本程序的测试误差为5%）

（4）对于一个新的测试数据，输入分类器进行分类，获取结果

from numpy import *
import operator
#假设网站已对路人甲约会对象的数据进行了收集，放在datingTestSet.txt文件下，从左到右分别为：
#(1）约会对象每年获得飞行常客里数   （2)约会对象玩视频游戏所耗的时间百分比
#(3) 约会对象每周消费的冰淇淋公升数  (4) 路人甲对该约会对象的喜好程度（含不喜欢的人，有点喜欢，非常喜欢三个评价）
#本例程序用来预测路人甲对新约会对象的喜好程度，误差为5%


#分类器 inX（测试数据） dataSet（样本数据集） labels（样本的类别） k（选择距离最小的k个点）
def classify0(inX, dataSet, labels, k):
    #获取样本数据大小