python原生写KNN算法（鸢尾花）

1.作业题目

Python原生代码实现KNN算法（鸢尾花数据集）

2.算法设计

步骤：

    （1）利用KNN算法对鸢尾花数据进行分类（利用sklearn自带的iris数据集）

（2）将33%的数据作为测试集

（3）将数据传入预测函数中，得出结果

（4）将传入的数据与实际数据进行对比，得出正确率

（5）主函数整合

所有方法：

（1）获取鸢尾花数据：iris_data(self)

（2）将数据分割成测试集和训练集data(self)

（3）K值传入：__init__(self,k)

（4）训练函数：fit(self,x_train,y_train)

（5）预测函数：_predict(self,x_test)

（6）predict(self,X_predict)

（7）正确率函数：sorce(self,x_test,y_test)

3测试用例设计及调试过程截屏

部分重要代码：

def iris_data(self):
    iris = load_iris()
    iris_data = iris.data
    iris_target = iris.target
    return iris_data, iris_target
#加载数据，返回测试集，训练集
def data(self):
   # 1.获取鸢尾花的特征值，目标值
    iris_data, iris_target = self.iris_data()
   # 2.将数据分割成训练集和测试集 test_size=0.33表示将33%的数据用作测试集
    x_train, x_test, y_train, y_test = train_test_split(iris_data, iris_target, test_size=0.33)
    return x_train,x_test,y_train,y_test

def _predict(self,x_test):
    #欧氏距离
    d = [np.sqrt(np.sum((x_i - x_test) ** 2)) for x_i in self.x_train]
    #将欧氏距离递增排序
    neard=np.argsort(d)
    #选取最近的k个点
    top_k=[self.y_train[i] for i in neard[:self.k]]
    #判断k个点中，类别最多的那一类
    #计数，将每个类出现的概率
    votes=Counter(top_k)
    return  votes.most_common(1)[0][0]   #显示前1个最多的元素

结果截屏：

调试过程截屏：

 

4总结

作业参考地址：https://blog.youkuaiyun.com/qq_41689620/article/details/82421323

https://blog.youkuaiyun.com/xzy53719/article/details/83149738

 

 

 

本次作业让我深刻的认识到自己的不足，在程序实现过程中，遇到了各种各样的问题，

首先自己没有找到numpy等包，所以在运行时会出现错误，

解决方式：将anaconda中的包导入；

其次在获取iris数据集时，很长时间找不到出错的位置，

解决方式：获取数据集需要使用一些包内自带的函数，但包及函数都需要对应查找；

最后，在程序中的一些调用会存在一些冲突，所以使得程序逻辑不太完整，

解决方式：程序部分运行测试

收获：进一步了解了KNN算法以及python语句的使用方式，实际对分析数据集有了一定了解及想法。