knn算法java版_KNN算法的实现详解
#!/usr/bin/env python
#-*-coding:utf-8-*-
#knn 的具体实现
import csv
import random
import math
import operator
#导入数据集 文件名,split区分那个集
def loadDataset(filename,split,trainintset=[],testSet=[]):
with open(filename,'rb') as csvfile:
lines=csv.reader(csvfile)
dataset=list(lines)
for x in range(len(dataset)-1):
for y in range(4):
dataset[x][y]=float(dataset[x][y])
if random.random()
trainingSet.append(dataset[x])
else:
testSet.append(dataset[x])
#计算距离
def euclideanDistance(instance1,instance2,length):
distance=0
for x in range(length):
distance+=pow((instance1[x]-instance2[x]),2)
return math.sqrt(distance)
#得到相邻的k个邻居
def getNeighbors(trainingSet,testInstance,k):
distance=[]
length=len(testInstance)-1
#测试集的维度
for x in range(len(trainingSet)):
dist=euclideanDistance(testInstance,trainingSet[x],length)
distance.append((trainingSet[x],dist))
distance.sort(key=operatos.itemgetter(1))
neighbors=[]
for x in range(k):
neighbors.append(distances[x][0])
return neighbors
#得到那个类占大多数
def getResponse(neighbors):
classVotes={}
for x in range(len(neighbors)):
response=neighbors[x][-1]
if response in classVotes:
classVotes[response]+=1
else:
classVotes[response]=1
sortedVotes=sorted(classVotes.iteritems(),key=operator.itemgetter(1),reverse=True)
#按降序排列
return sortedVotes[0][0]
#准确率
def getAccuracy(testSet,predictions):
correct=0
for x in range(len(testSet)):
if testSet[x][-1]==predictions[x]:
correct+=1
return (correct/float(len(testSet)))*100.0
def main():
trainingSet=[]
testSet=[]
split=0.67
loadDataset(r'data.txt',split,trainingSet,testSet)
print('Train set: '+repr(len(trainingSet)))
print('Test set: '+repr(len(testSet)))
predictions=[]
k=3
for x in range(len(testSet)):
neighbors=getNeighbors(trainingSet,testSet[x],k)
result=getResponse(neighbors)
predictions.append(result)
print('> predicted='+repr(result)+', actual='+repr(testSet[x][-1]))
accuracy=getAccuracy(testSet,predictions)
print('Accuracy: '+repr(accuracy)+'%')
main()
#!/usr/bin/env python#-*-coding:utf-8-*-#knn实现手写数字识别#1建立工程并导入sklearn包‘import numpy as npfrom os import listdir #使用listdir模块,用于访问本地文件from sklearn import neighbors#2加载训练数据#将加载的32*32的图片矩阵展开成一列向量def img2vector(fileName): retMat=np.zeros([1024],int)#定义返回的矩阵,大小为1*1024 fr=open(fileName)#打开包含32*32大小的数字文件 lines=fr.readlines()#读取文件的所有行 for i in range(32):#遍历文件所有行 for j in range(32):#并将01数字存放在retMat中 retMat[i*32+j]=lines[i][j] return retMat#定义加载训练数据的函数readDataSet;def readDataSet(path): fileList=listdir(path)#获取文件夹下的所有文件 numFiles=len(fileList)#统计需要读取的文件的数目 dataSet=np.zeros([numFiles,1024],int)#用于存放所有的数字文件 hwLabels=np.zeros([numFiles])#用于存放对应的标签(与神经网络的不同) for i in range(numFiles):#遍历所有的文件 filePath=fileList[i]#获取文件名称/路径 digit=int(filePath.split('_')[0])#通过文件名获取标签 hwLabels[i]=digit#直接存放数字,并非one-hot向量 dataSet[i]=img2vector(path+'/'+filePath)#读取文件内容 return dataSet,hwLabelstrain_dataSet,train_hwLabels=readDataSet('digits/trainingDigits/')#训练的图片,对应的标签#3构建KNN分类器knn=neighbors.KNeighborsClassifier(algorithm='kd_tree',n_neighbors=3)knn.fit(train_dataSet,train_hwLabels)#加载测试集dataSet,hwLabels=readDataSet('digits/testDigits/')#构建好的knn分类器对测试集进行预测,并计算预测的错误率res=knn.predict(dataSet)#对测试集进行预测error_num=np.sum(res!=hwLabels)#统计分类错误的数目num=len(dataSet)#测试集的数目print('Total num:',num,' wrong num:', error_num,' WrongRate:',error_num/float(num))
#!/usr/bin/env python
#-*-coding:utf-8-*-
#knn算法实例鸢尾花预测
from sklearn import neighbors
from sklearn import datasets
knn=neighbors.KNeighborsClassifier()
#加载数据
iris=datasets.load_iris()
#打印数据
print(iris)
#训练KNN分类器
knn.fit(iris.data,iris.target)
#KNN实验
predictedLabel=knn.predict([[0.1,0.2,0.3,0.4]])
print(predictedLabel)
结果解释:
鸢尾花的数据集
数据代表花瓣的长宽,花萼的长宽
预测目标target
预测结果【0】
#!/usr/bin/env python
#-*-coding:utf-8-*-
#knn实现手写数字识别
#1建立工程并导入sklearn包‘
import numpy as np
from os import listdir #使用listdir模块,用于访问本地文件
from sklearn import neighbors
#2加载训练数据
#将加载的32*32的图片矩阵展开成一列向量
def img2vector(fileName):
retMat=np.zeros([1024],int)#定义返回的矩阵,大小为1*1024
fr=open(fileName)#打开包含32*32大小的数字文件
lines=fr.readlines()#读取文件的所有行
for i in range(32):#遍历文件所有行
for j in range(32):#并将01数字存放在retMat中
retMat[i*32+j]=lines[i][j]
return retMat
#定义加载训练数据的函数readDataSet;
def readDataSet(path):
fileList=listdir(path)#获取文件夹下的所有文件
numFiles=len(fileList)#统计需要读取的文件的数目
dataSet=np.zeros([numFiles,1024],int)#用于存放所有的数字文件
hwLabels=np.zeros([numFiles])#用于存放对应的标签(与神经网络的不同)
for i in range(numFiles):#遍历所有的文件
filePath=fileList[i]#获取文件名称/路径
digit=int(filePath.split('_')[0])#通过文件名获取标签
hwLabels[i]=digit#直接存放数字,并非one-hot向量
dataSet[i]=img2vector(path+'/'+filePath)#读取文件内容
return dataSet,hwLabels
train_dataSet,train_hwLabels=readDataSet('digits/trainingDigits/')
#训练的图片,对应的标签
#3构建KNN分类器
knn=neighbors.KNeighborsClassifier(algorithm='kd_tree',n_neighbors=3)
knn.fit(train_dataSet,train_hwLabels)
#加载测试集
dataSet,hwLabels=readDataSet('digits/testDigits/')
#构建好的knn分类器对测试集进行预测,并计算预测的错误率
res=knn.predict(dataSet)#对测试集进行预测
error_num=np.sum(res!=hwLabels)#统计分类错误的数目
num=len(dataSet)#测试集的数目
print('Total num:',num,' wrong num:', error_num,' WrongRate:',error_num/float(num))
结果解释:
预测实例946, wrong num 为10 WrongRate 为 0.010570824524312896
knn算法java版_KNN算法的实现详解相关推荐
- 独家总结 | KNN算法Python实现(附代码详解及注释)
↑ 点击上方[计算机视觉联盟]关注我们 上一篇已经介绍KNN算法的基本原理,这篇就不再赘述(公式太多,读不懂? 一文带你领略KNN近邻算法~简单易懂) 纸上得来终觉浅,仅仅懂了原理还不够,要用代码实践 ...
- Java版skiplist跳表详解
skiplist简介 skiplist 是 一个概率型数据结构,查找.删除.插入的时间复杂度都是O(logN). skiplist是由多层有序的链表组成的,来加快查找速度. 其中第0层包含了所有元素, ...
- 二分搜索算法的实现详解
二分搜索算法实现 问题引入:聚会上猜数,大家为了缩短游戏进程,增加游戏刺激度,往往会采用"猜中间数"的方法,不断取中间数来使得猜数范围快速缩小,而二分算法就是基于这样的思想(不是事 ...
- java 随机金额_java_微信随机生成红包金额算法java版,最近几年玩得最疯狂的应该是 - phpStudy...
微信随机生成红包金额算法java版 最近几年玩得最疯狂的应该是发红包了,尤其是过年的时候特别受欢迎,下面写了红包的随机算法,其实挺简单的,仅是提供一种思路,希望可以给大家一些启发. public cl ...
- JAVA中希尔排序去的讲解_java 中基本算法之希尔排序的实例详解
java 中基本算法之希尔排序的实例详解 希尔排序(Shell Sort)是插入排序的一种.也称缩小增量排序,是直接插入排序算法的一种更高效的改进版本.希尔排序是非稳定排序算法.该方法因DL.Shel ...
- 最小生成树Prim算法Java版
最小生成树Prim算法Java版 算法描述: 在一个加权连通图中,顶点集合V,边集合为E 任意选出一个点作为初始顶点,标记为visit,计算所有与之相连接的点的距离,选择距离最短的,标记visit. ...
- Java算法:华为机试算法(下),华为算法Java版,牛客网华为算法73~108题
接上篇:Java算法:华为机试算法(中),华为算法Java版,牛客网华为算法55~72题 HJ73 计算日期到天数转换 计算日期到天数转换 题目描述 根据输入的日期,计算是这一年的第几天.. 测试 ...
- Java并发编程最佳实例详解系列
Java并发编程最佳实例详解系列: Java并发编程(一)线程定义.状态和属性 Java并发编程(一)线程定义.状态和属性 线程是指程序在执行过程中,能够执行程序代码的一个执行单元.在java语言中, ...
- 【JVM】对象存活判定算法、GC算法、STW、GC种类详解
[JVM]对象存活判定算法.GC算法.STW.GC种类详解 文章目录 [JVM]对象存活判定算法.GC算法.STW.GC种类详解 GC主要关注的区域 垃圾标记阶段:对象存活判断 标记阶段:引用计数算法 ...
最新文章
- [OS] 进程间通信--管道
- Pwn环境配置(三)——ubuntu环境搭建
- 【北航oj】(线段树取模运算)
- 阿里云大数据利器之-RDS迁移到Maxcompute实现动态分区
- 输入输出数组元素的函数重载_C ++函数重载| 查找输出程序| 套装3
- 汇编语言调用c语言ads,ADS1.2 在汇编代码中调用C函数
- 日志单例log4cpp简述
- LintCode 字符串查找
- 算法移植优化(七)cmake常用函数记录
- Android 系统(40)Handler的基本概念
- box-sizing的类型
- Chatbot ⾖瓣电影爬⾍简析
- TMOD、SCON、PCON寄存器的配置
- w10系统怎样打开计算机策略,Win10系统组策略在哪里打开
- CEikEdwin 助手
- java怎么才能学透彻?
- 科大奥锐干涉法测微小量实验的数据,大学物理实验报告答案大全(实验数据)
- Java / Tensorflow - API 调用 pb 模型使用 GPU 推理
- java窗体背景图片_java 窗体设置背景图片问题 (附上登陆界面代码,我想加个背景图...
- JavaScript学习第十三天