Python實現KNN演算法 iris資料集

在本文中，通過python實現knn演算法，而非簡單的呼叫sklearn庫，並通過iris鳶尾花資料集進行訓練和測試。

詳情參見以下**：
if__name__ =='__main__':
trainx, trainy, testx, testy=loadsplitdataset()
prey=knn(testx)
evaluateknn()

# 和切分資料集為訓練集和測試集

# 訓練集：trainx、trainy；

# 測試集：testx、testy；

defloadsplitdataset():

#隨機生成訓練集和測試集 不能確定比例

iris = datasets.load_iris()

randarray=np.random.randint(2,size=len(iris.data))

print(len(randarray))

trainx = iris.data[randarray==0]

trainy=iris.target[randarray==0]

testx = iris.data[randarray == 1]

testy=iris.target[randarray == 1]

returntrainx, trainy, testx, testy

def

loadsplitdataset(rate=

0.8):

iris = datasets.load_iris()

#確定訓練集和測試集的比例

shuffleindex=np.random.permutation(

len(iris.data))

trainsize=

int(rate *

len(iris.data))

trainx= iris.data[shuffleindex[:trainsize]]

trainy=iris.target[shuffleindex[:trainsize]]

testx= iris.data[shuffleindex[trainsize:]]

testy = iris.target[shuffleindex[trainsize:]]

return

trainx, trainy, testx, testy

#knn演算法實現

#testx為測試樣本及
# k為鄰近的樣本點數量
defknn(testx,k=5):
predy = 
forxintestx:
# 計算樣本點訓練集的歐氏距離
distance = [np.sqrt(np.sum(np.power(x_train - x, 2)))forx_trainintrainx]
# 從小到大排序，每個數的索引位置
indexsort = np.argsort(distance)
# 獲得距離樣本點最近的k個點的標記值y
neark_y = [trainy[i]foriinindexsort[:k]]
# 統計鄰近k個點標記值的數量
cnty = counter(neark_y)
# 返回標記值最多的那個標記
y_predict = cnty.most_common(1)[0][0]
returnpredy

#計算測試的準確率

defevaluateknn():
cnt = np.sum(prey == testy)
acc=np.divide(cnt,len(testx))
print("the accurate of knn:",round(acc,4))

Python實現KNN演算法

from numpy import import operator def creatdataset group array 1.0,1.1 1.0,1.0 0,0 0,0.1 lables a a b b return group,lables def classify0 inx,dataset,...

python實現knn演算法

importnumpyasnp importoperator defcreatedataset group np.array 1.0 1.1 1.0 1.0 0.0 0.0 0.0 0.1 labels a a b b returngroup,labels 分類演算法 inx待分類的點 defcla...

python實現KNN演算法

具體 如下 import numpy as np import matplotlib.pyplot as plt class myknn def init self,k self.k k def compute self,x train,y train,x test dist i 0 計算歐式距離 ...