Python機器學習之scikit-learn庫中KNN算法的封裝與使用方法

更新時間：2018年12月14日 14:28:07 作者：我是馬克思小清新

這篇文章主要介紹了Python機器學習之scikit-learn庫中KNN算法的封裝與使用方法,結合實例形式分析了scikit-learn庫中KNN算法的相關調(diào)用與使用技巧,需要的朋友可以參考下

本文實例講述了Python機器學習之scikit-learn庫中KNN算法的封裝與使用方法。分享給大家供大家參考，具體如下：

1、工具準備，python環(huán)境，pycharm

2、在機器學習中，KNN是不需要訓練過程的算法，也就是說，輸入樣例可以直接調(diào)用predict預測結果，訓練數(shù)據(jù)集就是模型。當然這里必須將訓練數(shù)據(jù)和訓練標簽進行擬合才能形成模型。

3、在pycharm中創(chuàng)建新的項目工程，并在項目下新建KNN.py文件。

import numpy as np
from math import sqrt
from collections import Counter
class KNNClassifier:
  def __init__(self,k):
    """初始化KNN分類器"""
    assert k >= 1
    """斷言判斷k的值是否合法"""
    self.k = k
    self._X_train = None
    self._y_train = None
  def fit(self,X_train,y_train):
    """根據(jù)訓練數(shù)據(jù)集X_train和Y_train訓練KNN分類器，形成模型"""
    assert X_train.shape[0] == y_train.shape[0]
    """數(shù)據(jù)和標簽的大小必須一樣
    assert self.k <= X_train.shape[0]
    """k的值不能超過數(shù)據(jù)的大小"""
    self._X_train = X_train
    self._y_train = y_train
    return self
  def predict(self,X_predict):
    """必須將訓練數(shù)據(jù)集和標簽擬合為模型才能進行預測的過程"""
    assert self._X_train is not None and self._y_train is not None
    """訓練數(shù)據(jù)和標簽不可以是空的"""
    assert X_predict.shape[1]== self._X_train.shape[1]
    """待預測數(shù)據(jù)和訓練數(shù)據(jù)的列(特征個數(shù))必須相同"""
    y_predict = [self._predict(x) for x in X_predict]
    return np.array(y_predict)
  def _predict(self,x):
    """給定單個待測數(shù)據(jù)x,返回x的預測數(shù)據(jù)結果"""
    assert x.shape[0] == self._X_train.shape[1]
    """x表示一行數(shù)據(jù)，即一個數(shù)組，那么它的特征數(shù)據(jù)個數(shù)，必須和訓練數(shù)據(jù)相同
    distances = [sqrt(np.sum((x_train - x)**2))for x_train in self._X_train]
    nearest = np.argsort(distances)
    topk_y = [self._y_train[i] for i in nearest[:self.k]]
    votes = Counter(topk_y)
    return votes.most_common(1)[0][0]

4、新建test.py文件，引入KNNClassifier對象。

from KNN.py import KNNClassifier
raw_data_x = [[3.393,2.331],
       [3.110,1.781],
       [1.343,3.368],
       [3.582,4.679],
       [2.280,2.866],
       [7.423,4.696],
       [5.745,3.533],
       [9.172,2.511],
       [7.792,3.424],
       [7.939,0.791]]
raw_data_y = [0,0,0,0,0,1,1,1,1,1]
X_train = np.array(raw_data_x)
y_train = np.array(raw_data_y)
x = np.array([9.880,3.555])
# 要將x這個矩陣轉換成2維的矩陣，一行兩列的矩陣
X_predict = x.reshape(1,-1)
"""1，創(chuàng)建一個對象，設置K的值為6"""
knn_clf = KNNClassifier(6)
"""2，將訓練數(shù)據(jù)和訓練標簽融合"""
knn_clf.fit(X_train,y_train)
"""3，經(jīng)過2才能跳到這里，傳入待預測的數(shù)據(jù)"""
y_predict = knn_clf.predict(X_predict)
print(y_predict)

更多關于Python相關內(nèi)容感興趣的讀者可查看本站專題：《Python數(shù)學運算技巧總結》、《Python數(shù)據(jù)結構與算法教程》、《Python函數(shù)使用技巧總結》、《Python字符串操作技巧匯總》及《Python入門與進階經(jīng)典教程》

希望本文所述對大家Python程序設計有所幫助。

您可能感興趣的文章: