机器学习实战笔记--kNN.py模块导入

最新推荐文章于 2025-04-05 11:20:31 发布
原创 最新推荐文章于 2025-04-05 11:20:31 发布
· 4k 阅读 · 0 ·
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。
文章标签：

#Python #机器学习实战

在尝试导入自定义的kNN.py模块时遇到了错误，由于文件开头包含了Python环境信息导致导入失败。通过删除这些环境信息并保存文件，或者使用`sys.path.append(...)`添加模块路径，成功解决了导入问题。

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

我使用的是Python自带的IDLE写的代码

在kNN.py增加如下代码

from numpy import *
import operator
def createDataSet():
group = array([1.0,1.1],[1.0,1.0],[0,0],[0,0.1])
labels = ['A','A','B','B']

return group,labels

保存这个py文件之后

>>> import kNN ，失败。

>>> import kNN
Traceback (most recent call last):
  File "<pyshell#14>", line 1, in <module>
    import kNN
  File "E:\Python3\kNN.py", line 1
    Python 3.7.0b3 (v3.7.0b3:4e7efa9c6f, Mar 29 2018, 18:42:04) [MSC v.1913 64 bit (AMD64)] on win32

  我再把这个文件以记事本打开后，是有Python 3.7.0b3 (v3.7.0b3:4e7efa9c6f, Mar 29 2018, 18:42:04) [MSC v.1913 64 bit (AMD64)] on win32

Type &

最低0.47元/天 解锁文章
sunpingblue
关注
python导入knn库_Python机器学习之scikit-learn库中KNN算法的封装与使用方法
weixin_35944230的博客
01-29 946
本文实例讲述了Python机器学习之scikit-learn库中KNN算法的封装与使用方法。分享给大家供大家参考，具体如下：1、工具准备，python环境，pycharm2、在机器学习中，KNN是不需要训练过程的算法，也就是说，输入样例可以直接调用predict预测结果，训练数据集就是模型。当然这里必须将训练数据和训练标签进行拟合才能形成模型。3、在pycharm中创建新的项目工程，并在项目下新建...
机器学习笔记1.0 K-近邻算法（KNN）
宕桑
01-17 457
K-近邻算法概述 K-近邻算法采用测量不同特征值之间的距离方法进行分类 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 适用数据类型：数值型和标称型 工作原理：存在一个样本数据集，且样本集中每个数据都存在标签，即我们知道样本集中每个数据对应的分类。输入没有标签的新数据之后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似数...
机器学习Python学习——KNN算法
m0_52868215的博客
10-03 1857
1.1 KNN算法的简介 1.1 KNN算法的简介 KNN（K- Nearest Neighbor）法即K最邻近法，最初由 Cover和Hart于1968年提出，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。所谓K最近邻，就是K个最近的邻居的意思，说的是每个样本都可以用它最接近的K个邻近值来代表。近邻算法就是将数据集合中每一个记录进行分类的方法该方法的思路非常简单直观：如果一个样本在特征空间中的K个最相似（即特征空间中最邻近...
深入理解Python模块：从入门到精通
最新发布
vvilkin的学习备忘
04-05 1241
在 Python 编程中，模块是代码组织和重用的基本单元。无论是编写小型脚本还是大型项目，模块都能帮助我们更好地管理代码，提高开发效率。本文将带你深入了解 Python 模块的概念、使用方法以及如何通过模块化编程提升代码质量。
knn.py算法
11-16
机器学习实战中knn算法，用于临近的代码，希望可以对您有所帮助
机器学习实战中如何加载kNN模块
lingan_Hong的博客
04-07 9951
首先，我们创建名为kNN.py的python模块。from numpy import * import operatordef createDataSet(): group=array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]]) labels=['A','A','B','B'] return group,labels我们直接引用这个模块是会报错的
[机器学习]数据导入与KNN模型
ShineStellar的博客
07-10 1633
调用sklearn中的KNN算法进行分类
《机器学习实战》kNN学习笔记（一）
01-20
《机器学习实战》中的k-近邻(kNN)算法是一种基于实例的学习方法，它通过比较新样本与已知类别样本的距离来决定新样本的类别。本文主要探讨kNN算法的基本概念、优缺点以及一般流程，并提供一个简单的Python实现示例。...
机器学习实战——2.k-近邻算法
RF~or的博客
07-18 1450
2.1k-近邻算法概述 k-近邻算法采用测量不同特征值之间的距离进行分类。
机器学习实战--KNN 算法 笔记
木琦
11-07 3559
print "the total error rate is: %f"%(errorCount/float(numTestVecs)) /* 错误率 /*最后得出结果 5%的错误率 机器学习实战书上算的2.4% /* 在不改变其他值的前提下 改变hoRatio的值 [0.05,0.1,0.2,0.3,0.4,0.5，0.9]对应的错误率[2%,5%,8%,8%,7%,6%,7%] 9:在测试结束，我们力求得出一个对于未来的约会预测函数，在我们输入飞行里程数，玩视频游戏的百分比和冰激凌公升数，我们希望
《机器学习实战》k-近邻算法概述－程序清单详解kNN.py（未完待续）
X-Lion
01-21 3143
from numpy import * import operator def createDateSet():     group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])     labels = ['A','A','B','B']     return group,labels def classify0(inX,
机器学习完整代码kNN.py
11-17
机器学习kNN算法完整代码，https://blog.csdn.net/qq_45556599/article/details/103039796
K近邻分类器实现代码knn.py
05-12
K近邻分类器实现代码 ，正确率高达百分之99.8
机器学习实战中怎样使用kNN模块
小知的博客
10-03 1937
首先建立一个kNN.py的项目文件（记住这里有个特殊情况，文件名必须为kNN.py，否则后面导入 import kNN 会出错的 ） from numpy import * import operator def createDataSet(): group=array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]]) labels=['A','A','B...
机器学习实战笔记——KNN算法
henryzhihua
01-15 3506
一、KNN算法描述 KNN（K-nearest neighbor algorithm），也就是K近邻算法，顾名思义，可以形象的理解为求K个最近的邻居。当K=1时，KNN算法就成了最近邻算法，即寻找最近的那个邻居。 所谓K近邻算法，就是给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的K个实例（就是上面提到的K个邻居），如果这K个实例的多数属于某个类，就将该输入实例分类到这个
机器学习一，KNN python
dang_wang的专栏
03-17 676
创建KNN.py 第一步，创建数据 代码： import numpy as np import operator def createDataSet(): group = np.array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]]) labels = ['A','A','B','B'] return group,labels
Python高级--K-近邻算法（KNN）
PyRookie
08-16 1258
K nearest neighbour K-近邻算法采用测量不同特征值之间的距离方法进行分类。 优点：精度高、对异常值不敏感、无数据输入假定。 缺点：时间复杂度高、空间复杂度高。 适用数据范围：数值型和标称型。 一、K-近邻算法（KNN）举例 1）工作原理 存在一个样本数据集合，也称作训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一数...
机器学习课上的KNN作业（python）
wys_742panapn的博客
09-24 280
主要代码：KNN.py ''' 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 ''' from numpy import * import operator #运算符模块 def createDataSet(): group = array([[1.0, 1.1], [1.0, 1.0], [0, 0], [0, 0.1]]) labels = ['A', 'A', 'B', 'B'] return...
机器学习实战笔记(Python实现)-01-K近邻算法(KNN)
lengyuyan007的专栏
10-16 717
目录 1 算法概述 1.1 算法特点 1.2 工作原理 1.3 实例解释 2 代码实现 2.1 k-近邻简单分类的应用 2.2 在约会网站上使用k-近邻算法 2.3 手写识别系统实例 3 应用 scikit-learn 库实现k近邻算法 正文 -----------------------------------------------------------...
头歌机器学习 --- kNN算法
04-03
### 关于头歌平台中KNN算法的机器学习教程与实例 #### 头歌平台概述 头歌（Tougo）是一个专注于计算机科学教育的学习平台，提供丰富的在线课程资源和实践环境。对于机器学习领域的内容，尤其是像KNN这样经典的算法，通常会通过理论讲解、代码实现以及实际应用案例相结合的方式进行教学。 #### KNN算法简介 KNN（K-Nearest Neighbors）是一种基于实例的学习方法，既可用于分类也可用于回归分析。其核心思想是：给定一个测试样本，在训练集中找到与其最近的K个邻居，并依据这K个邻居的信息来进行决策[^2]。 #### KNN算法的主要步骤 1. 数据预处理阶段，包括标准化或归一化操作以消除不同特征间量纲差异的影响。 2. 计算待测样本到所有已知样本的距离，常用欧氏距离或其他形式的距离度量方式。 3. 找出距离最小的前K个样本作为近邻点集合。 4. 对于分类任务采用投票机制决定最终类别；而对于回归任务则取平均值或者加权平均值得出结果。 #### 距离计算公式示例 以下是两种常见距离公式的Python实现： ```python import numpy as np def euclidean_distance(x, y): """欧几里得距离""" return np.sqrt(np.sum((np.array(x) - np.array(y)) ** 2)) def manhattan_distance(x, y): """曼哈顿距离""" return np.sum(abs(np.array(x) - np.array(y))) ``` 上述函数分别实现了欧氏距离和曼哈顿距离的计算过程。 #### 实际应用场景举例 假设我们有一个简单的电影分类场景，其中每部影片由两个属性描述：“拥抱次数”和“打斗次数”。利用已有标注的数据集可以构建模型并预测未知标签的新样例所属类型[^4]。 #### 可能存在的挑战及优化方向 尽管KNN易于理解和实现，但在大规模数据集上的性能可能较差，因为每次都需要遍历整个数据库寻找最接近的邻居。因此可以通过KD树索引结构加速查询效率，或是引入降维技术减少维度灾难带来的影响[^3]。
评论 1
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