08.手写KNN算法测试

导入库

import numpy as np

from sklearn import datasets

import matplotlib.pyplot as plt

导入数据

iris = datasets.load_iris()

数据准备

X = iris.data

y = iris.target

X.shape, y.shape

((150, 4), (150,))

数据分割（28开）

# 因为训练集矩阵和标签向量是分割的，不能单独对某一个进行乱序
# 需要将其合并整体乱序再分割

X_join_y = np.hstack([X, y.reshape(-1,1)])

# 随机,导致每次数据分割结果都会改变
# 如果有debug需求,需要保证每次运行的分割结果一致
# 则需要对random进行seed设置

np.random.seed(1)

np.random.shuffle(X_join_y)

train,test = np.vsplit(X_join_y, [int(0.8*len(X_join_y))])

train.shape,test.shape

((120, 5), (30, 5))

准备data和target

# X_train, y_train, X_test, y_test 成功拿到了训练集(数据+标签)和测试集(数据+标签)

X_train = train[:,0:4]

y_train = train[:,-1]

X_test = test[:,0:4]

y_test = test[:,-1]

KNN手写算法

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

        self.k = k

        self._X_train = None

        self._y_train = None

    def fit(self, X_train, y_train):

        # 根据训练集X_train, Y_train训练分类器

        self._X_train = X_train

        self._y_train = y_train

        return self

    def predict(self, X_predict):

        # 给定待遇测的数据集X_predict,返回表示X_predict的结果向量

        y_predict = [self._predict(x) for x in X_predict]

        return np.array(y_predict)

    def _predict(self, x):

        # 给定单个待遇测数据x,返回x的预测结果值

        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]

    def __repr__(self):

        return "KNN=(%d)" % self.k

from sklearn.model_selection import train_test_split

result = train_test_split(X, y)

result

[array([[7.2, 3. , 5.8, 1.6],

        [5.4, 3.9, 1.3, 0.4],

        [6.5, 3.2, 5.1, 2. ],

        [6.1, 3. , 4.6, 1.4],

        [4.6, 3.2, 1.4, 0.2],

        [6.9, 3.2, 5.7, 2.3],

        [6.1, 2.8, 4. , 1.3],

        [5.7, 3. , 4.2, 1.2],

        [5.8, 2.7, 4.1, 1. ],

        [5.5, 2.5, 4. , 1.3],

        [5.7, 2.5, 5. , 2. ],

        [4.6, 3.4, 1.4, 0.3],

        [5.9, 3.2, 4.8, 1.8],

        [6.3, 2.9, 5.6, 1.8],

        [6.8, 3. , 5.5, 2.1],

        [6.4, 2.7, 5.3, 1.9],

        [6. , 2.9, 4.5, 1.5],

        [6. , 2.2, 4. , 1. ],

        [4.8, 3. , 1.4, 0.1],

        [5.6, 2.5, 3.9, 1.1],

        [7.1, 3. , 5.9, 2.1],

        [6.7, 3.3, 5.7, 2.1],

        [5.5, 2.6, 4.4, 1.2],

        [6.3, 3.3, 4.7, 1.6],

        [6.7, 3.1, 4.7, 1.5],

        [4.3, 3. , 1.1, 0.1],

        [4.8, 3.4, 1.9, 0.2],

        [6.7, 3.3, 5.7, 2.5],

        [6. , 2.7, 5.1, 1.6],

        [6.5, 3. , 5.5, 1.8],

        [4.9, 2.5, 4.5, 1.7],

        [5. , 3.5, 1.3, 0.3],

        [5.9, 3. , 4.2, 1.5],

        [5.5, 2.4, 3.8, 1.1],

        [6.2, 2.2, 4.5, 1.5],

        [6.3, 2.7, 4.9, 1.8],

        [4.4, 3. , 1.3, 0.2],

        [7.7, 3. , 6.1, 2.3],

        [7. , 3.2, 4.7, 1.4],

        [6.4, 2.8, 5.6, 2.2],

        [5.7, 2.8, 4.5, 1.3],

        [6.4, 2.9, 4.3, 1.3],

        [5.6, 3. , 4.1, 1.3],

        [6.3, 2.8, 5.1, 1.5],

        [4.9, 3.6, 1.4, 0.1],

        [6. , 3.4, 4.5, 1.6],

        [5.7, 4.4, 1.5, 0.4],

        [4.8, 3. , 1.4, 0.3],

        [5.4, 3.7, 1.5, 0.2],

        [5.4, 3.4, 1.5, 0.4],

        [5. , 2.3, 3.3, 1. ],

        [6.9, 3.1, 4.9, 1.5],

        [5.1, 3.8, 1.9, 0.4],

        [6.4, 2.8, 5.6, 2.1],

        [5.1, 3.8, 1.5, 0.3],

        [5. , 3.4, 1.5, 0.2],

        [5.1, 3.3, 1.7, 0.5],

        [5.2, 2.7, 3.9, 1.4],

        [6.1, 2.6, 5.6, 1.4],

        [7.7, 2.8, 6.7, 2. ],

        [5.8, 2.7, 5.1, 1.9],

        [6.8, 2.8, 4.8, 1.4],

        [4.4, 3.2, 1.3, 0.2],

        [5.3, 3.7, 1.5, 0.2],

        [6.9, 3.1, 5.4, 2.1],

        [5.1, 2.5, 3. , 1.1],

        [5.7, 2.8, 4.1, 1.3],

        [6.4, 3.1, 5.5, 1.8],

        [6.2, 3.4, 5.4, 2.3],

        [5.8, 2.7, 5.1, 1.9],

        [6.3, 2.5, 4.9, 1.5],

        [5.8, 2.6, 4. , 1.2],

        [4.6, 3.1, 1.5, 0.2],

        [4.9, 3.1, 1.5, 0.2],

        [5.6, 2.9, 3.6, 1.3],

        [5.1, 3.7, 1.5, 0.4],

        [5. , 3.2, 1.2, 0.2],

        [6.5, 3. , 5.8, 2.2],

        [7.3, 2.9, 6.3, 1.8],

        [5.2, 3.4, 1.4, 0.2],

        [4.5, 2.3, 1.3, 0.3],

        [5.5, 2.3, 4. , 1.3],

        [6.5, 3. , 5.2, 2. ],

        [5.5, 2.4, 3.7, 1. ],

        [7.6, 3. , 6.6, 2.1],

        [5. , 3.6, 1.4, 0.2],

        [5.9, 3. , 5.1, 1.8],

        [6.3, 2.5, 5. , 1.9],

        [6.1, 3. , 4.9, 1.8],

        [4.9, 3. , 1.4, 0.2],

        [6.7, 3. , 5.2, 2.3],

        [5.1, 3.5, 1.4, 0.3],

        [6.3, 2.3, 4.4, 1.3],

        [4.4, 2.9, 1.4, 0.2],

        [6.8, 3.2, 5.9, 2.3],

        [5.1, 3.8, 1.6, 0.2],

        [7.2, 3.6, 6.1, 2.5],

        [5.7, 3.8, 1.7, 0.3],

        [5. , 2. , 3.5, 1. ],

        [5. , 3. , 1.6, 0.2],

        [4.8, 3.4, 1.6, 0.2],

        [4.8, 3.1, 1.6, 0.2],

        [6.7, 3.1, 5.6, 2.4],

        [5.8, 2.8, 5.1, 2.4],

        [5.8, 4. , 1.2, 0.2],

        [6.1, 2.8, 4.7, 1.2],

        [5.4, 3.9, 1.7, 0.4],

        [6.5, 2.8, 4.6, 1.5],

        [4.9, 3.1, 1.5, 0.1],

        [5.4, 3.4, 1.7, 0.2],

        [4.9, 2.4, 3.3, 1. ],

        [5.1, 3.4, 1.5, 0.2]]),

 array([[6.2, 2.9, 4.3, 1.3],

        [6.7, 3. , 5. , 1.7],

        [5.2, 4.1, 1.5, 0.1],

        [5.7, 2.6, 3.5, 1. ],

        [7.4, 2.8, 6.1, 1.9],

        [5.6, 3. , 4.5, 1.5],

        [6.9, 3.1, 5.1, 2.3],

        [6. , 2.2, 5. , 1.5],

        [5.5, 3.5, 1.3, 0.2],

        [6.7, 2.5, 5.8, 1.8],

        [7.2, 3.2, 6. , 1.8],

        [6. , 3. , 4.8, 1.8],

        [5.2, 3.5, 1.5, 0.2],

        [5.1, 3.5, 1.4, 0.2],

        [5. , 3.3, 1.4, 0.2],

        [5.6, 2.8, 4.9, 2. ],

        [5.6, 2.7, 4.2, 1.3],

        [5. , 3.5, 1.6, 0.6],

        [7.9, 3.8, 6.4, 2. ],

        [6.3, 3.4, 5.6, 2.4],

        [5. , 3.4, 1.6, 0.4],

        [6.2, 2.8, 4.8, 1.8],

        [5.4, 3. , 4.5, 1.5],

        [5.5, 4.2, 1.4, 0.2],

        [4.6, 3.6, 1. , 0.2],

        [6.1, 2.9, 4.7, 1.4],

        [6.4, 3.2, 5.3, 2.3],

        [5.7, 2.9, 4.2, 1.3],

        [7.7, 2.6, 6.9, 2.3],

        [7.7, 3.8, 6.7, 2.2],

        [6.3, 3.3, 6. , 2.5],

        [5.8, 2.7, 3.9, 1.2],

        [6.6, 2.9, 4.6, 1.3],

        [4.7, 3.2, 1.6, 0.2],

        [6.7, 3.1, 4.4, 1.4],

        [6.4, 3.2, 4.5, 1.5],

        [4.7, 3.2, 1.3, 0.2],

        [6.6, 3. , 4.4, 1.4]]),

 array([2, 0, 2, 1, 0, 2, 1, 1, 1, 1, 2, 0, 1, 2, 2, 2, 1, 1, 0, 1, 2, 2,

        1, 1, 1, 0, 0, 2, 1, 2, 2, 0, 1, 1, 1, 2, 0, 2, 1, 2, 1, 1, 1, 2,

        0, 1, 0, 0, 0, 0, 1, 1, 0, 2, 0, 0, 0, 1, 2, 2, 2, 1, 0, 0, 2, 1,

        1, 2, 2, 2, 1, 1, 0, 0, 1, 0, 0, 2, 2, 0, 0, 1, 2, 1, 2, 0, 2, 2,

        2, 0, 2, 0, 1, 0, 2, 0, 2, 0, 1, 0, 0, 0, 2, 2, 0, 1, 0, 1, 0, 0,

        1, 0]),

 array([1, 1, 0, 1, 2, 1, 2, 2, 0, 2, 2, 2, 0, 0, 0, 2, 1, 0, 2, 2, 0, 2,

        1, 0, 0, 1, 2, 1, 2, 2, 2, 1, 1, 0, 1, 1, 0, 1])]

my_knn_clf = KNNClassifier(k=3)

my_knn_clf.fit(result[0], result[2])

KNN=(3)

y_predict = my_knn_clf.predict(result[1])

sum(y_predict == result[3])

sum(y_predict == result[3])/len(result[3])

08.手写KNN算法测试的更多相关文章

[纯C#实现]基于BP神经网络的中文手写识别算法
效果展示这不是OCR,有些人可能会觉得这东西会和OCR一样,直接进行整个字的识别就行,然而并不是. OCR是2维像素矩阵的像素数据.而手写识别不一样,手写可以把用户写字的笔画时间顺序,抽象成一个维度 ...
用C实现单隐层神经网络的训练和预测（手写BP算法）
实验要求:•实现10以内的非负双精度浮点数加法,例如输入4.99和5.70,能够预测输出为10.69•使用Gprof测试代码热度代码框架•随机初始化1000对数值在0~10之间的浮点数,保存在二维数 ...
手写KMeans算法
KMeans算法是一种无监督学习,它会将相似的对象归到同一类中. 其基本思想是: 1.随机计算k个类中心作为起始点. 将数据点分配到理其最近的类中心. 3.移动类中心. 4.重复2,3直至类中心不再改 ...
手写k-means算法
作为聚类的代表算法,k-means本属于NP难问题,通过迭代优化的方式,可以求解出近似解. 伪代码如下: 1,算法部分距离采用欧氏距离.参数默认值随意选的. import numpy as np d ...
Javascript 手写 LRU 算法
LRU 是 Least Recently Used 的缩写,即最近最少使用.作为一种经典的缓存策略,它的基本思想是长期不被使用的数据,在未来被用到的几率也不大,所以当新的数据进来时我们可以优先把这些数 ...
手写LRU算法
import java.util.LinkedHashMap; import java.util.Map; public class LRUCache<K, V> extends Link ...
手写hashmap算法
/** * 01.自定义一个hashmap * 02.实现put增加键值对,实现key重复时替换key的值 * 03.重写toString方法,方便查看map中的键值对信息 * 04.实现get方法, ...
基于kNN的手写字体识别——《机器学习实战》笔记
看完一节<机器学习实战>,算是踏入ML的大门了吧!这里就详细讲一下一个demo:使用kNN算法实现手写字体的简单识别 kNN 先简单介绍一下kNN,就是所谓的K-近邻算法: [作用原理]: ...
手写BP（反向传播）算法
BP算法为深度学习中参数更新的重要角色,一般基于loss对参数的偏导进行更新. 一些根据均方误差,每层默认激活函数sigmoid(不同激活函数,则更新公式不一样) 假设网络如图所示: 则更新公式为: ...

随机推荐

Cobbler 自动化部署 (转载)
https://www.cnblogs.com/linuxliu/p/7668048.html root默认密码为 123456 (建议修改) ks文件 #platform=x86, AMD64, o ...
java架构《并发线程高级篇一》
本章主要记录讲解并发线程的线程池.java.util.concurrent工具包里面的工具类. 一:Executor框架: Executors创建线程池的方法: newFixedThreadPool( ...
TCP/IP__TCP协议IP协议&IP地址
IP协议(Internet Protocol) 1. 定位:计算机网络间相互连接进行通信而定义的协议.在因特网中,它是能使连接到网上的所有计算机网络实现相互通信的一套规则,规定了计算机在因特网上进 ...
Spring Boot 2.x基础教程：使用JTA实现多数据源的事务管理
在一个Spring Boot项目中,连接多个数据源还是比较常见的.之前也介绍了如何在几种常用框架的场景下配置多数据源,具体可见: Spring Boot 2.x基础教程:JdbcTemplate的多数 ...
一统江湖的大前端（10）——inversify.js控制反转
<大史住在大前端>前端技术博文集可在下列地址访问: [github总基地][博客园][华为云社区][掘金] 字节跳动幸福里大前端团队邀请各路高手前来玩耍,团队和谐有爱,技术硬核,字节范儿正 ...
2018-2019 ACM-ICPC Brazil Subregional Programming Contest PART (10/13)
$$2018-2019 ACM-ICPC Brazil Subregional Programming Contest$$ $A.Slackline\ Adventure$ \(B.Marbles ...
回溯法、子集树、排列树、满m叉树
显示图: 明确给出了图中的各顶点及边隐式图: 仅给出初始节点.目标节点及产生子节点的条件(一般有问题提议隐含给出)的情况下,构造一个图. 回溯法: 从初始状态出发,在隐式图中以深度优先的方式搜索问题 ...
ACM#学习心得0
加入实验室也有些日子了,这是第一个近来的小小学习心得 1.在之前的训练题和考核题以及平时刷过的题中,我发现自己对字符串这一块的基础知识掌握还是比较差的,总是不能正确的接收的字符或字符串. 这两个星期, ...
Codeforces Round #481 (Div. 3) D. Almost Arithmetic Progression (暴力)
题意:有一个长度为$n$的序列,可以对所有元素++或--,求最少的操作次数,如果无论如何都不能构成,则输出$-1$. 题解:一个等差数列一定由首项$a_{1}$和公差$d$来决定,而这 ...
SpringSecurity认证流程
SpringSecurity配置 SecurityConfig.java @Override protected void configure(HttpSecurity http) throws Ex ...

08.手写KNN算法测试

08.手写KNN算法测试的更多相关文章

随机推荐

热门专题