机器学习实验之K近邻

机器学习实训实验报告（六）

调试过程中的关键问题及修改：

1、报错：'dict' object has no

attribute 'iteritems'

原因：版本的问题（表达的变化）

解决方法：把iteritems改为items

就成了

sqDiffMat = diffMat ** 2

# 行数据相加，如果axis=0，则是列向量数据相加

sqDistances = sqDiffMat.sum(axis=1)

# 取根

distances = sqDistances ** 0.5

# 从小到排序，值为索引数组

sortedDistIndicies = distances.argsort()

classCount = {}

for i in range(k):

voteIlabel = labels[sortedDistIndicies[i]]

# classCount.get(voteIlabel, 0)是指不存在相对应key值的

value则返回0

classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1

#对所有可迭代的对象进行排序操作,按从大到小顺序，key为

按哪个元素排序

sortedClassCount = sorted(classCount.items(),

key=operator.itemgetter(1), reverse=True)

return sortedClassCount[0][0]

if __name__ == '__main__':

group,labels = createDateSet()

classfiy=classify0([2,1,1,0,1,0], group, labels, 3)

print("测试结果：",classfiy)

运行结果：

就结果而言，预测正确

实验总结：

本节学习了k邻近算法的算法思想、过程等等，了解欧式距离公式，也对k邻近的k值的含义有了进一步的认识。此算法和实现过程的确是不难，因而对于它有了深一步的认识。

在此算法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。由于该方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，此方法较其他方法更为适合。

实验

成绩

评定

评分小项分值得分总分：

1.实验报告格式排版10分

2.实验设计思路(科学性、可行性、创新性) 30分

3.实验代码编写(规范性、正确性、复杂性) 30分

4.实验结果分析(正确性、合理性) 20分

5.实验心得总结10分