[笔记]Machine Learning In Action-kNN with python

最新推荐文章于 2021-08-14 18:05:53 发布
原创 最新推荐文章于 2021-08-14 18:05:53 发布 · 243 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文探讨了np.tile函数在扩展数组时可能带来的内存负担，并介绍了Python中利用argsort进行值升序排列的方法及返回索引的应用场景。此外，还讨论了如何处理字典排序时的常见问题。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

几个关注点：

np.tile 把inX 扩展到与dataSet 同尺寸， 比较浪费内存

argsort 按值升序排列，但是返回 value 的index

classCount.get(voteIlabel, 0) 如果无voteIlabel的索引，则返回0。有些多余，如果voteIlabel不在索引范围内，则会直接报错。

key=operator.itemgetter(1) 按照值排序，似乎classCount.items() 会对待每个items为tuple

http://stackoverflow.com/questions/613183/sort-a-python-dictionary-by-value

snock
关注
5-AM Project: day8 Practical data science with Python 3
wendyponcho的博客
02-10 1246
Loading data Examining data with EDA Cleaning and preparing data for further analysis Saving data to disk
机器学习笔记(3)---K-近邻算法(1)---约会对象魅力程度分类
终身学习的程序猿
01-27 1489
参考资料 《机器学习实战》，Machine Learning in Action，本文中简称MLiA 《机器学习》周志华，本文简称西瓜书 《Web安全之机器学习》刘焱著，本文中简称WSML(Web Security in Machine Learning，该英文翻译只为记录方便，是本人杜撰的，仅限本系列文章使用) 转载请注明出处：http://blog.youkuaiyun.com/rosetta/a...
机器学习实战第一课之k近邻算法 KNN
闹丶
02-25 394
KNN 优点：精度高、对异常值不敏感，无数据输入假定。 缺点：计算复杂度高、空间复杂度高。 适用数据范围：数值型和标称型。 算法思想： 对未知类别属性的数据集中的每个点一次执行以下操作： 1.计算已知类别数据集中的点和当前点之间的距离 2.按照距离递增排序 3.选取与当前点距离最小的k个点 4.确定前k个点所在类别的出现频率 5.返回前k个点出现频率最高的类别作
《Machine Learning In Action》学习笔记(1)-KNN(k-近邻算法)
kabuto_hui的博客
12-19 294
  knn算法我在之前的博客从零开始-Machine Learning学习笔记(20)-kNN(k-Nearset Neignbor)学习笔记中也已经提到了，大家如果感兴趣可以回过头去看看，knn原理非常简单。不需要训练，当有待分类样本时，只需要从数据集中选取k个与这个样本距离最近的样本，将k个样本中最多的label作为该待分类样本的label。   我将书中所给的代码使用Python3编译，添加...
Machine Learning in Action 学习笔记-（2）kNN k近邻算法
zclhit
06-01 2069
kNN是最常见的聚类算法，通过比较待测被试特征与训练样本之间的欧式距离，选取k个最近的点，然后找出出现概率最高的label作为我们的预测结果。 其中k的值，随机选择训练样本的方案，训练样本数目的变化都将会影响到我们最终的聚类准确率。 这种基于实例的算法将会使我们无法知道平均实例样本，也将会影响到我们对于典型实例样本特征的理解。 最大的收获是学会了更多的Python命令（在numPy）下的
Machine Learning In Action -- ID3决策树学习算法的python实现
lemonwyc的专栏
09-16 4655
decision tree Learning 决策树学习笔记 决策树学习是一种相对比较简单的分类学习方法，但是分类效果较好并且表示直观，主要针对离散型目标，它也等价于用if-then规则表示。 决策树学习在Mitchell的《机器学习》第三章中有详细讲解，也有许多人做了详细的笔记，比如http://www.cnblogs.com/pangxiaodong/archive/2
学习笔记之机器学习实战 (Machine Learning in Action)
weixin_34018202的博客
09-09 249
机器学习实战 (豆瓣) https://book.douban.com/subject/24703171/ 机器学习是人工智能研究领域中一个极其重要的研究方向，在现今的大数据时代背景下，捕获数据并从中萃取有价值的信息或模式，成为各行业求生存、谋发展的决定性手段，这使得这一过去为分析师和数学家所专属的研究领域越来越为人们所瞩目。 本书第一部分主要介绍机器学习基础，以及如何利用算法进行分类，...
Machine Learning in Action 读书笔记---第8章 预测数值型数据：回归
@dongyu的博客
08-14 227
Machine Learning in Action 读书笔记 作者：【美】Peter Harrington 著 李锐 李鹏 曲亚东 王斌 译
MACHINE LEARNING IN ACTION KNN
枝寒不栖
06-15 332
1：算法简单描述        给定训练数据样本和标签，对于某测试的一个样本数据，选择距离其最近的k个训练样本，这k个训练样本中所属类别最多的类即为该测试样本的预测标签。简称kNN。通常k是不大于20的整数，这里的距离一般是欧式距离。 2：Python代码实现 创建一个kNN.py文件，将核心代码放在里面了。 (1)   创建数据 [python] v
Machine Learning in Action(机器学习实战)之K最近邻(k-Nearest Neighbor，KNN)分类算法学习笔记
IT小白的博客
03-09 473
本博客相关工程及数据文件：GitHub地址 1.学习环境 windows10 、Anaconda(向初学者推荐这个工具) 中的IDE工具Spyder 、python 3.7。 2.K-近邻算法概述 2.1.K-近邻算法工作原理 在训练集中数据和标签已知的情况下，输入测试数据，将测试数据的特征与训练集中对应的特征进行相互比较，找到训...
Python 学习笔记（Machine Learning In Action）K-近邻算法（KNN）机器学习实战
weixin_30298497的博客
08-08 129
shape函数是numpy.core.fromnumeric中的函数，它的功能是读取矩阵的长度，比如shape[0]就是读取矩阵的长度。它的输入参数可以使一个整数表示维度，也可以是一个矩阵。 使用shape需要导入numpy tile函数位于python模块numpy.lib.shape_base中，他的功能是重复某个数组。比如tile(A,n)，功能是将数组A重复n次，构成一个新的数组...
machinelearning-in-action:机器学习实战Python3实现machine learning in action in python3
05-12
machinelearning in action 机器学习实战Python3实现/machine learning in action in python3 这是我用来记录自己学《机器学习实战》的笔记和一些思考，希望你能从最基本的入手，帮助大家快速上手机器学习，同时，...
机器学习实战笔记（三）：使用k-近邻算法的手写识别系统（Python3 实现）
cqulun123的博客
05-06 744
完整代码及数据地址：https://github.com/cqulun123/Machine-Learning-in-Action0 使用k-近邻算法的手写识别系统的步骤 (1) 收集数据：提供文本文件。(2) 准备数据：编写函数classify0()，将图像格式转换为分类器使用的list格式。(3) 分析数据：在Python命令提示符中检查数据，确保它符合要求。(4) 训练算法：此步骤不适用于k...
机器学习实战笔记（二）：使用 k-近邻算法改进约会网站的配对效果（Python3 实现）
cqulun123的博客
05-06 1414
完整代码及数据地址：https://github.com/cqulun123/Machine-Learning-in-Action0 问题背景介绍        我的朋友海伦一直使用在线约会网站寻找适合自己的约会对象。尽管约会网站会推荐不同的人选，但她并不是喜欢每一个人。经过一番总结，她发现曾交往过三种类型的人： 不喜欢的人 魅力一般的人 极具魅力的人       尽管发现了上述规律，但海伦...
一个专为IntelliJIDEA和AndroidStudio开发者设计的全能格式转换与数据辅助工具_支持JSON_XML_HTML格式化_MD5生成_QRCODE二维码生成_B.zip
08-17
一个专为IntelliJIDEA和AndroidStudio开发者设计的全能格式转换与数据辅助工具_支持JSON_XML_HTML格式化_MD5生成_QRCODE二维码生成_B.zip
基于 Python 机器学习的简易天气预报系统实现
08-17
资源下载链接为： https://pan.quark.cn/s/46acb4885600 基于 Python 机器学习的简易天气预报系统实现（最新、最全版本！打开链接下载即可用！）
resalloc-selinux-5.9-1.el8.tar.gz
08-17
# 适用操作系统：Centos8 #Step1、解压 tar -zxvf xxx.el8.tar.gz #Step2、进入解压后的目录，执行安装 sudo rpm -ivh *.rpm
reptyr-0.7.0-1.el8.tar.gz
08-17
# 适用操作系统：Centos8 #Step1、解压 tar -zxvf xxx.el8.tar.gz #Step2、进入解压后的目录，执行安装 sudo rpm -ivh *.rpm
机械工程微型车间生产线的设计与生产数据采集试验研究：毕业设计复现代码与系统实现微型车间生产线的设计（含详细代码及解释）
最新发布
08-17
内容概要：本文档提供了关于“微型车间生产线的设计与生产数据采集试验研究”的毕业设计复现代码，涵盖从论文结构生成、机械结构设计、PLC控制系统设计、生产数据采集与分析系统、有限元分析、进度管理、文献管理和论文排版系统的完整实现。通过Python代码和API调用，详细展示了各个模块的功能实现和相互协作。例如，利用SolidWorks API设计机械结构，通过PLC控制系统模拟生产流程，使用数据分析工具进行生产数据的采集和异常检测，以及利用进度管理系统规划项目时间表。 适合人群：具有机械工程、自动化控制或计算机编程基础的学生或研究人员，尤其是从事智能制造领域相关工作的人员。 使用场景及目标：①帮助学生或研究人员快速搭建和理解微型车间生产线的设计与实现；②提供完整的代码框架，便于修改和扩展以适应不同的应用场景；③作为教学或科研项目的参考资料，用于学习和研究智能制造技术。 阅读建议：此资源不仅包含详细的代码实现，还涉及多个学科领域的知识，如机械设计、电气控制、数据分析等。因此，在学习过程中，建议读者结合实际操作，逐步理解每个模块的功能和原理，并尝试调整参数以观察不同设置下的系统表现。同时，可以参考提供的文献资料，深入研究相关理论和技术背景。
DPC-KNN-PCA算法python完整代码
05-29
以下是DPC-KNN-PCA算法的Python完整代码，包括数据预处理、DPC-KNN-PCA算法实现和结果可视化： ```python import numpy as np import pandas as pd import matplotlib.pyplot as plt # 数据预处理 data = pd.read_csv('data.csv') X = data.values[:, :-1] y = data.values[:, -1] # DPC-KNN-PCA算法实现 def DPC_KNN_PCA(X, k, alpha, beta, gamma): n, m = X.shape D = np.zeros((n, n)) for i in range(n): for j in range(n): D[i, j] = np.linalg.norm(X[i] - X[j]) D_sort = np.sort(D, axis=1) idx_sort = np.argsort(D, axis=1) K = np.zeros((n, k)) for i in range(n): for j in range(k): K[i, j] = idx_sort[i, j+1] W = np.zeros((n, n)) for i in range(n): for j in range(k): W[int(K[i, j]), i] = 1 W = np.maximum(W, W.T) D_bar = np.diag(np.sum(W, axis=1)) L = D_bar - W M = np.dot(X.T, L).dot(X) [U, S, V] = np.linalg.svd(M) U_pca = U[:, :2] Z = np.dot(X, U_pca) L_pca = np.dot(U_pca.T, M).dot(U_pca) D_pca = np.diag(np.sum(L_pca, axis=1)) L_norm = np.linalg.inv(np.sqrt(D_pca)).dot(L_pca).dot(np.linalg.inv(np.sqrt(D_pca))) W_norm = np.exp(-alpha*L_norm) - np.eye(n) D_norm = np.diag(np.sum(W_norm, axis=1)) L1_norm = D_norm - W_norm L2_norm = np.linalg.inv(np.sqrt(D_norm)).dot(L_norm).dot(np.linalg.inv(np.sqrt(D_norm))) W_dpc = np.exp(-beta*L1_norm - gamma*L2_norm) - np.eye(n) D_dpc = np.diag(np.sum(W_dpc, axis=1)) L_dpc = D_dpc - W_dpc return Z, L_dpc # 运行DPC-KNN-PCA算法并可视化结果 Z, L_dpc = DPC_KNN_PCA(X, 10, 0.5, 0.1, 0.1) plt.scatter(Z[:, 0], Z[:, 1], c=y) plt.show() ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值