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

人工智能:近邻算法

程序员文章站 2024-03-15 11:13:41
...

K近邻算法

什么是k近邻算法?

定义:如果一个样本在特征空间中的K个最相似(空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别

来源:KUN算法最早是由Cover和Hart提出的一种分类算法

计算距离公式

两个样本的距离可以通过如下公式计算,又叫欧式距离
比如说,a(a1,a2,a3) b(b1,b2,b3)

人工智能:近邻算法

注意

K近邻算法需要做标准化

API

  • sklearn.neighbors.KNeighborsClassfler(n_neighbors=5,algorithm=“auto”)
  • n_neighbors:int 可选(默认=5),k_neighbors查询默认使用邻居数
  • algorithm:{“auto”,“ball_tree”,“kd_tree”,“brute”},可选用于计算最近邻的算法,“ball_tree”将会使用ball_tree,“kd_tree”将会使用KDTree."auto"将尝试根据传递给fit方法的值来决定最合适算法(不同实现方式影响效率)

近邻算法案例

分类:特征值:x y坐标,定位准确性,时间 目标值:入住位置的id

处理:0<x<10 0<y<10

  1. 由于数据量最大,节省时间x,y缩小
  2. 时间戳进行(年月日时分秒)
  3. 少于指定签到人数的位置删除

代码:

from sklearn.neighbors import KNeighborsClassifier
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
def K_neibors():
    """
    K近邻预测签到位置
    :return:
    """
    # 1.读取数据
    data = pd.read("路径/train.csc")
    print(data.head(10))  # 打印前十行
    # 2.处理数据
    # _1.缩小数据,查询数据晒讯
    data=data.querry("x>1.0 & x<1.25 & y>2.5 & y<2.75")
    # _2.处理时间的数据
    time_value=pd.to_datetime(data[time],unit="s")
    print(time_value)
    # _3.把日期时间格式转换成字典格式
    time_value=pd.DatetimeIndex(time_value)

    # _4. 构造一些特征
    data["day"]=time_value.day
    data["hour"]=time_value.hour
    data["weekday"]=time_value.weekday
    #_5. 把时间戳删除
    data=data.drop(["time"],axis=1)# 1表示列
    #_6把签到数量少于n个目标位置删除
    place_count=data.groupby("place_id").count()
    tf=place_count[place_count.row_id>3].reset_index()
    data=data[data["place_id"].isin(tf.place_id)]
    # 取出数据中的特征值和目标值
    y=data["place_id"]
    x=data.drop(["place_id"],axis=1)
    # 进行数据集的分割训练集和测试集
    x_train,x_text,y_train,y_text=train_text_split(x,y,text_size=0.25)
    # 3.特征工程(标准化)
    std=StandardScaler()
    # 要对测试集和测试机特征值进行标准化
    x_train=std.fit_transform(x_train)
    #进行算法流程
    knn=KNeighborsClassifier(n_neighbors=5)
    #fit predict,score
    x_train=knn.fit(x_train,y_train)
    x_text=std.transform(x_text)

    #得出预测结果
    y_predict=knn.predict(x_text)
    print("预测的目标标签位置为:",y_predict)
    #得出准确率
    print("预测准确率",knn.score(x_text,y_text))

def main():
    K_neibors()

if __name__ == '__main__':
    main()