機器學習實戰

1、KNN的實現

1.預測電影的種類

import numpy as np
import operator
def createDataSet():
    group = np.array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
    labels = ['A','A','B','B']
    return group, labels
def classify(inx, dataSet, labels, k):
    dataSetsize = dataSet.shape[0]
    diffMat = np.tile(inx, (dataSetsize,1)) - dataSet
    sqDiffMat = diffMat**2
    sqDistances = sqDiffMat.sum(axis=1)
    distances = sqDistances**0.5
    sortedDistIndicies = distances.argsort()            #argsort返回數組值的從小到大的索引值
    classCount = {}
    for i in range(k):
        voteIlabels = labels[sortedDistIndicies[i]]
        #dict.get(key, default=None)
        #字典的get，返回鍵的值，若是不在返回None，這裏是返回的數字0，
        #字典原本就是空的，當檢查到沒有該元素的時候，就加一，這正是爲什麼這裏的get以後須要加一
        classCount[voteIlabels] = classCount.get(voteIlabels,0)+1 
    sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
    return sortedClassCount[0][0]
if __name__ == '__main__':
    group, labels = createDataSet()
    test = [1,2]
    test_class = classify(test, group, labels, 3)
    print(test_class)

tips:

KNN距離公式以下：

$$ L{p}(X{i},Y{i})=(\sum_{i=1}^{n}\left | X{i}^{(l)}-X{j}^{(l)} \right |^{p})^{\frac{1}{p}} $$

對於代碼值得注意的地方有 1.np.tile的使用

​ 2.字典get的使用