k-近邻算法

过程

K-近邻算法的具体思想如下：
（1）计算已知类别数据集中的点与当前点之间的距离
（2）按照距离递增次序排序
（3）选取与当前点距离最小的k个点
（4）确定前k个点所在类别的出现频率
（5）返回前k个点中出现频率最高的类别作为当前点的预测分类

1.创建数据集

def createDataSet():
    group = array([[1.0, 1.1], [1.0, 1.0], [0, 0], [0, 0.1]])
    labels = ['A', 'A', 'B', 'B']
    return group, labels

2.k-近邻算法

def classify0(inX, dataSet, labels, k):
    dataSetSize = dataSet.shape[0]
    diffMat = tile(inX, (dataSetSize, 1)) - dataSet
    sqDiffMar = diffMat**2
    sqDistance = sqDiffMar.sum(axis=1)
    distance = sqDistance**0.5
    sortedDist = distance.argsort()
    classCount={}
    for i in range(k):
        votelabel = labels[sortedDist[i]]
        classCount[votelabel] = classCount.get(votelabel, 0)+1
    sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
    return sortedClassCount[0][0]

来源：CSDN

作者：深夜喝牛奶

链接：https://blog.csdn.net/weixin_43495111/article/details/104630649