Python机器学习之scikit-learn库中KNN算法的封装与使用方法

时间:2022-01-03 12:30:43

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,pycharm

2、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。

Python机器学习之scikit-learn库中KNN算法的封装与使用方法

3、在pycharm中创建新的项目工程,并在项目下新建knn.py文件。

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
import numpy as np
from math import sqrt
from collections import counter
class knnclassifier:
  def __init__(self,k):
    """初始化knn分类器"""
    assert k >= 1
    """断言判断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):
    """根据训练数据集x_train和y_train训练knn分类器,形成模型"""
    assert x_train.shape[0] == y_train.shape[0]
    """数据和标签的大小必须一样
    assert self.k <= x_train.shape[0]
    """k的值不能超过数据的大小"""
    self._x_train = x_train
    self._y_train = y_train
    return self
  def predict(self,x_predict):
    """必须将训练数据集和标签拟合为模型才能进行预测的过程"""
    assert self._x_train is not none and self._y_train is not none
    """训练数据和标签不可以是空的"""
    assert x_predict.shape[1]== self._x_train.shape[1]
    """待预测数据和训练数据的列(特征个数)必须相同"""
    y_predict = [self._predict(x) for x in x_predict]
    return np.array(y_predict)
  def _predict(self,x):
    """给定单个待测数据x,返回x的预测数据结果"""
    assert x.shape[0] == self._x_train.shape[1]
    """x表示一行数据,即一个数组,那么它的特征数据个数,必须和训练数据相同
    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对象。

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
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])
# 要将x这个矩阵转换成2维的矩阵,一行两列的矩阵
x_predict = x.reshape(1,-1)
"""1,创建一个对象,设置k的值为6"""
knn_clf = knnclassifier(6)
"""2,将训练数据和训练标签融合"""
knn_clf.fit(x_train,y_train)
"""3,经过2才能跳到这里,传入待预测的数据"""
y_predict = knn_clf.predict(x_predict)
print(y_predict)

希望本文所述对大家python程序设计有所帮助。

原文链接:https://blog.csdn.net/qq_33531400/article/details/83036380