第1关：KNN分类器

最新推荐文章于 2024-11-13 17:26:08 发布
最新推荐文章于 2024-11-13 17:26:08 发布
阅读量280 收藏
点赞数 3
文章标签： 机器学习 算法 人工智能 深度学习
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。
本文链接：https://blog.youkuaiyun.com/yangleileileilei/article/details/137627027
版权
该代码片段展示了如何用KNN分类器对Iris数据集进行训练和测试，通过train_test_split进行数据划分，计算并输出测试准确性。

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

from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split
import numpy as np
import pandas as pd

def knn_test():
    data_url = "/data/workspace/myshixun/home/iris_train.csv"
    df = pd.read_csv(data_url)
    X = df.iloc[:,1:4]
    y=df.iloc[:,4]
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

    # 利用KNeighborsClassifier函数制作knn分类器
    # 选取最近的点的个数n_neighbors=3
    clf = KNeighborsClassifier(n_neighbors=3)
    clf.fit(X_train, y_train)
    y_pred = clf.predict(X_test)
    acc = np.sum(y_test == y_pred) / X_test.shape[0]
    
    return acc

# 测试函数
test_acc = knn_test()
print("Test Acc:", test_acc)
《Python星球日记》 第45天：KNN 与 SVM 分类器
Code_流苏：在代码中寻诗意，在实践中觅真知
05-07 422
《Python星球日记》 第45天：KNN 与 SVM 分类器
机器学习3—分类算法之K邻近算法（KNN）
ex_6450的博客
08-01 2890
加载数据集采用loadtxt()函数加载酒类数据集，采用逗号（,）来分割。划分数据集由于Wine数据集第一列为类标，后面13列为13个酒类特征，获取其中两列特征，并将其划分成特征数组和类标数组，调用concatenate()函数实现。KNN训练调用Sklearn机器学习包中KNeighborsClassifier()函数训练，设置K值为3类，并调用clf.fit(train_data,train_target)训练模型，clf.predict(test_data)预测分类结果。...
cs231n系列（1）-KNN分类器
一笑奈何go的博客
06-09 464
    首先先从NN（nearest-neighbor）分类器开始介绍。
日撸java 三百行 趁热打铁（01）KNN分类器
qq_44761856的博客
05-02 886
前两天刚听完闵帆老师的讲座，赶紧趁着热乎开撸。 KNN是机器学习里面的入门基础算法之一，但是它的普适性很强，对于新的问题，把KNN拿出来缝缝补补改改它又能战斗了，所以可以把它当做算法检测标杆 KNN思想（人类的比较思维）：要判断一个未知的事物，可以找一个我们知道并且与之最相似的事物，我们就认为它俩是同一种事物。那么具体落到计算机上要怎么实现呢？ 其最主要的就是要模拟找相似的过程，对于输入的一个向量，可以考虑衡量它与已知数据的距离，如果距离值越小，就认为两组数组很接近。 距离的计算方式常用有两种，曼哈
KNN 分类器
waittttttttttt的博客
05-04 883
学习来源：日撸 Java 三百行（51-60天，kNN 与 NB） 第 51 天: KNN 分类器 K个最近邻法(K-Nearst-Neighbor,KNN)，解决监督学习中的分类问题。 算法思想： 如果一个实例在特征空间中的K个最相似（即特征空间中最近邻）的实例中的大多数属于某一个类别，则该实例也属于这个类别。所选择的邻居都是已经正确分类的实例。（即未标记样本的类别由距离其最近的K个邻居投票来决定） 距离衡量方法： 曼哈顿距离： 欧式距离： K值的选择： K值选择是KNN算法的关键，对近邻算法的结果有
图像识别（无参模型）— KNN分类器
qq_43205656的博客
08-08 675
图像识别（无参模型）— KNN分类器 图像识别的机器学习方法介绍： 第一阶段： 1.收集大量数据，以及对应的类别(label) 2.利用机器学习方法，训练出一个图像分类器F 第二阶段： 1.对新的图像x，用分类器F预测出类别y=F(x) 引入KNN分类器: KNN Classifier(K近邻分类)： 训练阶段：只需要记录每一个样本的类别即可 测试阶段：计算新图像x与每一个训练样本x(i)的距离d(x,x(i)) 找出与x距离最近的k个训练样本 用这k个训练样本中最多数类别作为x的类别 大概流程说完了，接
机器学习——KNN分类器的学习
weixin_43763325的博客
07-19 554
代码】机器学习——KNN分类器的学习。
第1关：knn算法概述
SorrymakerS的博客
05-20 3087
*任务描述 本关任务：使用python实现方法，找出目标样本最近的k个样本。 相关知识 为了完成本关任务，你需要掌握：1.knn算法思想，2.距离度量。 knn算法思想 k-近邻（k-nearest neighbor ,knn）是一种分类与回归的方法。我们这里只讨论用来分类的knn。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近的k个邻居来代表。 knn算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性
初学者教程：KNN分类器
TensorFlowNews
09-15 4433
作者|Rashida Nasrin Sucky 编译|VK 来源|Towards Data Science KNN分类器是一种非常流行的监督机器学习技术。本文将用一个例子来解释KNN分类器 什么是监督学习？ 以下是百度百科： 监督学习是指：利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练或有教师学习。 监督学习是从标记的训练数据来推断一个功能的机器学习任务。训练数据包括一套训练示例。在监督学习中，每个实例都是由一个输入对象（通常为向量）和一个期望的输出值（也称为监督信号）组
KNN分类器
qq565490769的博客
08-29 661
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入
十四、机器学习进阶知识：KNN分类算法
weixin_42051846的博客
11-27 1315
详细介绍了KNN分类的主要原理及核心要素，结合结合鸢尾花分类与手写数字识别两个实例来介绍KNN分类的实现过程。
机器学习算法笔记之K近邻算法（KNeighborsClassifier）
热门推荐
smallcases的博客
10-14 6万+
介绍： 在sklearn库中，KNeighborsClassifier是实现K近邻算法的一个类，一般都使用欧式距离进行测量。 这个类的结构如下： sklearn.neighbors.KNeighborsClassifier class sklearn.neighbors.KNeighborsClassifier(n_neighbors=5, weights=’uniform
python-k近邻分类器-KNN
TxyITxs的博客
06-30 1452
K近邻分类器,通过计算待分类数据点，与已有数据集点的所有数据点的距离。取距离最小的前K个点，根据“少数服从多数”的原则，将这个数据点划分为出现次数最多的那个类别。 sklean库s，可以使用sklean.neighbors.KNeighborsClassiffier创建k近邻分类器 主要参数： n_neighbors:指定K的大小(默认为5) weights:设置选中k个点对分类结果影响的...
【Python实验设计】KNN分类算法 | K-means聚类算法 | matplotlib龟兔赛跑 | 阻尼衰减曲线 | 雷达图 | sqlite3数据库
Akaxi的博客
11-06 1563
【Python实验设计】（含代码）KNN分类算法 | K-means聚类算法 | matplotlib龟兔赛跑 | 阻尼衰减曲线 | 雷达图 | sqlite3数据库
【机器学习】分类算法 - KNN算法（K-近邻算法）KNeighborsClassifier
wangyuxiang946的博客
08-22 1万+
K-近邻算法的核心思想是根据「邻居」来「推断」你的类别。
机器学习系列----KNN分类
DK22151的博客
11-13 1667
在机器学习领域，K近邻算法（K-Nearest Neighbors, KNN）是一种非常直观且常用的分类算法。它是一种基于实例的学习方法，也被称为懒学习（Lazy Learning），因为它在训练阶段不进行任何模型的构建，所有的计算都推迟到测试阶段进行。KNN分类的核心思想是：给定一个测试样本，找到在训练集中与其距离最近的K个样本，然后根据这K个样本的标签进行预测。本文将介绍KNN算法的基本原理、如何实现KNN分类，以及在实际使用中需要注意的几点。
【头歌】机器学习——kNN算法
maodao666的博客
11-02 5464
【代码】【头歌】机器学习——kNN算法。
kNN 的花式用法（原来还能这么玩 kNN）
Skywind Inside
10-27 1088
kNN （k-nearest neighbors）作为一个入门级模型，因为既简单又可靠，对非线性问题支持良好，虽然需要保存所有样本，但是仍然活跃在各个领域中，并提供比较稳健的识别结果。 说到这里也许你会讲，kNN 我知道啊，不就是在特征空间中找出最靠近测试样本的 k 个训练样本，然后判断大多数属于某一个类别，那么将它识别为该类别。这就是书上/网络上大部分介绍 kNN 的说辞，如果仅仅如此，我也不用写这篇文章了。事实上，kNN 用的好，它真能用出一朵花来，越是基础的东西越值得我们好好玩玩，不是么？
第1关：实现kNN算法
最新发布
03-13
### 实现 KNN 算法的方法 KNN（k-Nearest Neighbors），即 k 最邻近算法，是一种有监督学习方法，在分类和回归任务中均有应用，不过更常被用来做分类工作[^1]。 #### 数据准备阶段 为了使 KNN 算法能够正常运作，首先需要准备好待分析的数据集。这包括收集样本数据及其对应的标签信息。对于鸢尾花数据集这样的标准数据集合来说，则可以直接通过 Scikit-Learn 库加载，并对其进行预处理操作，比如 z-score 标准化转换以确保不同特征之间具有可比性[^4]。 ```python from sklearn import datasets import numpy as np from sklearn.preprocessing import StandardScaler from sklearn.model_selection import train_test_split # 加载鸢尾花数据集 iris = datasets.load_iris() X, y = iris.data, iris.target # 进行z-score标准化处理 scaler = StandardScaler().fit(X) X_scaled = scaler.transform(X) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split( X_scaled, y, test_size=0.3, random_state=42) ``` #### 计算距离函数 核心部分在于定义一个计算两个点间欧氏距离或其他形式的距离度量方式的功能模块。此功能将帮助找到最近邻居们的位置所在： ```python def euclidean_distance(x1, x2): """Calculate the Euclidean distance between two vectors.""" return np.sqrt(np.sum((x1 - x2)**2)) ``` #### 预测过程 当给定一个新的未知实例时，可以通过遍历整个训练集中所有的已知样本来找出与其最接近的前 `k` 个邻居，并统计这些邻居所属类别出现次数最多的那一类作为最终预测结果。如果是为了提高准确性还可以考虑加权投票机制来决定输出类别[^2]。 ```python class KNNClassifier: def __init__(self, k=3): self.k = k def fit(self, X, y): self.X_train = X self.y_train = y def predict(self, X_new): predictions = [] for instance in X_new: distances = [euclidean_distance(instance, x_tr) for x_tr in self.X_train] # 找到最小距离索引位置 nearest_neighbors_indices = np.argsort(distances)[:self.k] # 获取对应标签列表 nearest_labels = [self.y_train[i] for i in nearest_neighbors_indices] # 统计频率最高的那个标签 most_common_label = max(set(nearest_labels), key=list(nearest_labels).count) predictions.append(most_common_label) return np.array(predictions) if __name__ == "__main__": knn_clf = KNNClassifier(k=5) knn_clf.fit(X_train, y_train) prediction_results = knn_clf.predict(X_test) accuracy_score = sum(prediction_results == y_test)/len(y_test)*100. print(f'Accuracy Score: {accuracy_score:.2f}%') ``` 上述代码实现了基本版的 KNN 分类器，并对其进行了简单验证。当然实际项目开发过程中还需要进一步完善异常情况处理逻辑等内容[^3]。
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

打赏作者

YLTommi

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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