python实现K最近邻算法
KNN核心算法函数，具体内容如下
#!/usr/bin/envpython3
#-*-coding:utf-8-*-
#fileName：KNNdistance.py
#author:zoujiameng@aliyun.com.cn
importmath
defgetMaxLocate(target):#查找target中最大值的locate
maxValue=float("-inFinIty")
foriinrange(len(target)):
ifmaxValue
假设你在伯克利开个小小的面包店,每天都做新鲜面包,需要根据如下一组特征预测当天该烤多少条面包:
a.天气指数1~5(1表示天气很糟,5表示天气非常好);
b.是不是周末或节假日(周末或节假日为1,否则为0);
c.有没有活动(1表示有,0表示没有)。
已知
historyA(5,1,0)=300
historyB(3,1,1)=225
historyC(1,1,0)=75
historyD(4,0,1)=200
historyE(4,0,0)=150
historyF(2,0,0)=50
回归:周末，天气不错
Now(4,1,0)=?
#!/usr/bin/envpython3
#-*-coding:utf-8-*-
#fileName：KNNdistance.py
#author:zoujiameng@aliyun.com.cn
if__name__=="__main__":
history={}
history[5,1,0]=300
history[3,1,1]=225
history[1,1,0]=75
history[4,0,1]=200
history[4,0,0]=150
history[2,0,0]=50
dest=[4,1,0]
source=[]
foriinhistory:
source.append(i)
print(source)
fromKNNdistanceimportKDistance
K=4
locate=KDistance(K,dest,source)
avg=0
foriinrange(len(locate)):
avg+=history[locate[i]]
avg/=K
print("回归结果：今天应该烤%d个面包"%round(avg))
KNN算法：
- 创建分类系统
- 分类（分组），特征抽取（得到相似程度）
- 回归,即预测数值
- KNN算法真的是很有用,堪称你进入神奇的机器学习领域的领路人!机器学习旨在让计算机更聪明。你见过一个机器学习的例子:创建推荐系统。
- OCR指的是光学字符识别(opticalcharacterrecognition),这意味着你可拍摄印刷页面的照片,计算机将自动识别出其中的文字。Google使用OCR来实现图书数字化。
- 一般而言,OCR算法提取线段、点和曲线等特征。
- OCR中的特征提取要复杂得多,但再复杂的技术也是基于KNN等简单理念的。这些理念也可用于语音识别和人脸识别。你将照片上传到Facebook时,它有时候能够自动标出照片中的人物,这是机器学习在发挥作用!
- OCR的第一步是查看大量的数字图像并提取特征,这被称为训练(training)。大多数机器学习算法都包含训练的步骤:要让计算机完成任务,必须先训练它。
samples:
a.垃圾邮件过滤器,使用一种简单算法——朴素贝叶斯分类器(NaiveBayesclassifier)
b.预测股票市场,使用机器学习来预测股票市场的涨跌真的很难。对于股票市场,如何挑选合适的特征呢?股票昨天涨了,今天也会涨,这样的特征合适吗?又或者每年五月份股票市场都以绿盘报收,这样的预测可行吗?在根据以往的数据来预测未来方面,没有万无一失的方法。未来很难预测,由于涉及的变量太多,这几乎是不可能完成的任务。
conclude:
机器学习是个很有趣的领域，只要下定决心，你就能很深入地了解它。
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持毛票票。