欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

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

程序员文章站 2022-06-03 09:46:25
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,pychar...

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。

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。

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)

更多关于python相关内容感兴趣的读者可查看本站专题:《python数学运算技巧总结》、《python数据结构与算法教程》、《python函数使用技巧总结》、《python字符串操作技巧汇总》及《python入门与进阶经典教程

希望本文所述对大家python程序设计有所帮助。