本文实例讲述了Python机器学习之scikit-learn库中KNN算法的封装与使用方法。分享给大家供大家参考，具体如下：
1、工具准备，python环境，pycharm
2、在机器学习中，KNN是不需要训练过程的算法，也就是说，输入样例可以直接调用predict预测结果，训练数据集就是模型。当然这里必须将训练数据和训练标签进行拟合才能形成模型。
3、在pycharm中创建新的项目工程，并在项目下新建KNN.py文件。
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"""
assert k >= 1
"""断言判断k的值是否合法"""
self.k = k
self._X_train = None
self._y_train = None
def fit(self,X_train,y_train):
"""根据训练数据集X_train和Y_train训练KNN分类器，形成模型"""
assert X_train.shape[0] == y_train.shape[0]
"""数据和标签的大小必须一样
assert self.k <= X_train.shape[0]
"""k的值不能超过数据的大小"""
self._X_train = X_train
self._y_train = y_train
return self
def predict(self,X_predict):
"""必须将训练数据集和标签拟合为模型才能进行预测的过程"""
assert self._X_train is not None and self._y_train is not None
"""训练数据和标签不可以是空的"""
assert X_predict.shape[1]== self._X_train.shape[1]
"""待预测数据和训练数据的列(特征个数)必须相同"""
y_predict = [self._predict(x) for x in X_predict]
return np.array(y_predict)
def _predict(self,x):
"""给定单个待测数据x,返回x的预测数据结果"""
assert x.shape[0] == self._X_train.shape[1]
"""x表示一行数据，即一个数组，那么它的特征数据个数，必须和训练数据相同
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]
4、新建test.py文件，引入KNNClassifier对象。
from KNN.py import KNNClassifier
raw_data_x = [[3.393,2.331],
[3.110,1.781],
[1.343,3.368],
[3.582,4.679],
[2.280,2.866],
[7.423,4.696],
[5.745,3.533],
[9.172,2.511],
[7.792,3.424],
[7.939,0.791]]
raw_data_y = [0,0,0,0,0,1,1,1,1,1]
X_train = np.array(raw_data_x)
y_train = np.array(raw_data_y)
x = np.array([9.880,3.555])
# 要将x这个矩阵转换成2维的矩阵，一行两列的矩阵
X_predict = x.reshape(1,-1)
"""1，创建一个对象，设置K的值为6"""
knn_clf = KNNClassifier(6)
"""2，将训练数据和训练标签融合"""
knn_clf.fit(X_train,y_train)
"""3，经过2才能跳到这里，传入待预测的数据"""
y_predict = knn_clf.predict(X_predict)
print(y_predict)
更多关于Python相关内容感兴趣的读者可查看本站专题：《Python数学运算技巧总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》及《Python入门与进阶经典教程》
希望本文所述对大家Python程序设计有所帮助。
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
