溫馨提示×

溫馨提示×

您好，登錄后才能下訂單哦！

密碼登錄×
登錄注冊×
其他方式登錄
點(diǎn)擊 登錄注冊 即表示同意《億速云用戶服務(wù)條款》

python怎么實(shí)現(xiàn)K最近鄰居

發(fā)布時間：2022-01-12 17:29:43 來源：億速云 閱讀：168 作者：iii 欄目：大數(shù)據(jù)

這篇文章主要講解了“python怎么實(shí)現(xiàn)K最近鄰居”，文中的講解內(nèi)容簡單清晰，易于學(xué)習(xí)與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學(xué)習(xí)“python怎么實(shí)現(xiàn)K最近鄰居”吧！

背景介紹

它可以用于分類和回歸問題。但是，它更廣泛地用于行業(yè)中的分類問題。K個最近鄰居是一種簡單的算法，可以存儲所有可用案例，并通過其k個鄰居的多數(shù)票對新案例進(jìn)行分類。在用距離函數(shù)測量的K個最近鄰居中，分配給該類別的案例最為常見。

這些距離函數(shù)可以是歐幾里得距離，曼哈頓距離，明可夫斯基距離和漢明距離。前三個函數(shù)用于連續(xù)函數(shù)，第四個函數(shù)用于分類變量。如果K = 1，則將案例簡單分配給其最近鄰居的類別。有時，執(zhí)行kNN建模時選擇K確實(shí)是一個挑戰(zhàn)。


KNN可以輕松地映射到我們的現(xiàn)實(shí)生活。如果您想了解一個沒有信息的人，則可能想了解他的密友和他所進(jìn)入的圈子并獲得他/她的信息！

選擇kNN之前要考慮的事項(xiàng)：

  • KNN在計(jì)算上很昂貴

  • 變量應(yīng)歸一化，否則較大范圍的變量可能會產(chǎn)生偏差

  • 在進(jìn)行kNN處理之前（例如離群值，噪聲消除），在預(yù)處理階段進(jìn)行更多工作

下面來看使用Python實(shí)現(xiàn)的案例：


# importing required librariesimport pandas as pdfrom sklearn.neighbors import KNeighborsClassifierfrom sklearn.metrics import accuracy_score

train_data = pd.read_csv('train-data.csv')test_data = pd.read_csv('test-data.csv')

print('Shape of training data :',train_data.shape)print('Shape of testing data :',test_data.shape)

train_x = train_data.drop(columns=['Survived'],axis=1)train_y = train_data['Survived']

test_x = test_data.drop(columns=['Survived'],axis=1)test_y = test_data['Survived']
'''sklearn K-Neighbors Classifier: https://scikit-learn.org/stable/modules/generated/sklearn.neighbors.KNeighborsClassifier.html '''model = KNeighborsClassifier()  

model.fit(train_x,train_y)

print('\nThe number of neighbors used to predict the target : '\ ,model.n_neighbors)

predict_train = model.predict(train_x)print('\nTarget on train data',predict_train) 

accuracy_train = accuracy_score(train_y,predict_train)print('accuracy_score on train dataset : ', accuracy_train)

predict_test = model.predict(test_x)print('Target on test data',predict_test) 

accuracy_test = accuracy_score(test_y,predict_test)print('accuracy_score on test dataset : ', accuracy_test)

運(yùn)行結(jié)果：

Shape of training data : (712, 25)Shape of testing data : (179, 25)
The number of neighbors used to predict the target :  5
Target on train data [0 1 1 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 1 0 1 0 0 0 0 1 0 0 0 0 0 1 1 1 1 0 1 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 0 1 0 1 0 0 0 0 0 0 0 1 1 0 0 0 0 0 1 0 1 0 0 0 1 1 1 0 1 0 0 0 0 0 1 0 0 1 0 1 1 1 0 1 0 1 0 0 1 1 0 1 0 0 1 0 0 0 0 1 0 0 1 1 0 0 1 0 0 0 1 1 0 1 0 0 0 1 0 0 0 1 0 0 0 0 0 1 1 0 0 1 0 0 1 0 1 0 0 1 1 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 1 1 1 0 0 1 0 1 0 0 0 1 1 1 0 0 0 1 1 1 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 1 0 0 0 0 1 0 1 0 0 0 1 0 1 0 0 1 0 0 0 1 1 0 1 0 0 0 0 0 1 1 1 1 1 0 1 1 1 1 0 0 0 0 0 1 1 1 1 0 0 0 0 0 0 1 1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 1 1 0 0 0 1 0 0 0 0 0 1 1 1 1 0 0 0 0 1 0 1 0 0 0 1 1 0 1 0 0 1 1 0 0 1 0 0 1 0 0 0 0 0 1 0 0 0 1 0 0 0 0 1 1 1 1 0 0 0 0 1 0 0 0 1 0 1 0 0 0 0 1 0 0 1 0 0 1 0 1 0 0 1 0 0 1 0 0 1 1 1 1 0 0 1 1 0 1 0 1 0 1 1 1 1 0 1 1 1 0 0 0 0 0 0 1 0 1 0 0 1 0 0 1 1 1 0 0 0 1 0 1 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 1 0 0 1 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 1 0 0 0 0 1 1 0 0 0 0 1 1 0 0 0 1 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 1 1 1 0 0 0 0 1 0 0 0 1 1 0 0 0 1 1 1 0 0 0 0 0 1 1 0 0 0 0 1 1 1 1 0 1 0 0 0 0 1 1 1 1 0 0 1 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 1 1 0 0 0 1 1 1 0 1 1 1 0 1 0 0 0 0 1 0 1 0 1 0 1 1 0 0 1 0 1 1 0 1 0 0 0 1 0 1 1 0 0 0 0 1 0 0 0 1 0 0 0 1 0 1 0 1 0 0 1 1 0 0 0 0 1 0 0 0 0 0 0 1 1 1 0 1 0 0 0 1 0 1 0 0 0 1 1 0 0 0 0 0 1 0 0 1 0 1 0 0 1 1 0 0 0 1 0 1 0 0 1 1 0 0 0 1 0 0 1 0 1 0 1 0 1 1 1 0 0 1 0]accuracy_score on train dataset :  0.8047752808988764Target on test data [0 0 0 1 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 1 0 1 0 0 1 0 0 1 1 0 0 0 1 0 0 1 1 1 0 0 0 1 1 0 0 0 0 0 1 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 1 0 1 0 0 0 1 0 1 1 0 1 1 0 0 1 0 0 1 0 1 0 0 1 0 1 0 1 1 0 1 0 0 1 1 0 0 1 0 0 0 1 1 0 0 0 1 0 1 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 1 1 0 1 0 1 0 0 1 0 0 0 0 0]accuracy_score on test dataset :  0.7150837988826816

感謝各位的閱讀，以上就是“python怎么實(shí)現(xiàn)K最近鄰居”的內(nèi)容了，經(jīng)過本文的學(xué)習(xí)后，相信大家對python怎么實(shí)現(xiàn)K最近鄰居這一問題有了更深刻的體會，具體使用情況還需要大家實(shí)踐驗(yàn)證。這里是億速云，小編將為大家推送更多相關(guān)知識點(diǎn)的文章，歡迎關(guān)注！

向AI問一下細(xì)節(jié)

免責(zé)聲明：本站發(fā)布的內(nèi)容（圖片、視頻和文字）以原創(chuàng)、轉(zhuǎn)載和分享為主，文章觀點(diǎn)不代表本網(wǎng)站立場，如果涉及侵權(quán)請聯(lián)系站長郵箱：is@yisu.com進(jìn)行舉報，并提供相關(guān)證據(jù)，一經(jīng)查實(shí)，將立刻刪除涉嫌侵權(quán)內(nèi)容。

AI
助
手