KNN算法及应用场景-Toy模板网

这篇具有很好参考价值的文章主要介绍了KNN算法及应用场景。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

什么是KNN算法，KNN算法主要的的应用场景是什么？

KNN算法（K-Nearest Neighbor Algorithm）是一种基本的机器学习算法，它可以用于分类和回归任务。

在KNN算法中，给定一个新的输入样本，通过计算其与已知数据集中每个样本之间的距离，找到与其最相似的K个样本，然后通过这K个样本的分类信息（对于分类问题）或者平均值（对于回归问题）来预测该输入样本的分类或者数值。

KNN算法的主要优点是简单易用、适用于多分类问题、适用于非线性分类问题等。然而，它的主要缺点是计算复杂度高，特别是当数据集很大时，计算距离需要较多的时间和计算资源。

KNN算法的应用场景包括图像识别、语音识别、文本分类、推荐系统等。例如，KNN算法可以用于图像分类问题，其中每个图像可以看作是一个输入样本，它的特征可以表示为图像的像素值。通过计算每个图像与已知的训练集中的图像之间的距离，可以找到与其最相似的K个图像，然后通过这K个图像的分类信息来预测该图像的分类。

什么是KNN（K近邻算法）？【知多少】_哔哩哔哩_bilibili

KNN和上次使用的线性回归有哪些不同？

KNN和线性回归是两种不同的机器学习算法，它们在模型的构建和使用方法上有很大的差异：

模型类型：KNN是一种非参数模型，而线性回归是一种参数模型。

模型目标：KNN旨在通过寻找最近邻的样本来进行分类或回归预测，而线性回归旨在建立输入特征和目标变量之间的线性关系。

数据要求：KNN对数据的要求比较宽松，只需要样本具有可比性；而线性回归则要求样本符合线性关系。

计算方法：KNN算法需要计算新样本与每个训练样本之间的距离，然后找到最近的K个样本，对这K个样本进行加权求和或者多数表决来进行预测；而线性回归则是通过最小化目标变量与预测变量之间的误差平方和，来计算出回归系数和截距。

适用范围：KNN适用于多分类问题和非线性问题，如图像识别、文本分类等；而线性回归适用于连续数值预测问题，如房价预测、销售额预测等。

总之，KNN和线性回归是两种不同的机器学习算法，它们各有优缺点，适用于不同的场景和问题。在选择合适的算法时，需要考虑数据特征、模型要求和业务需求等多个因素。

利用KNN算法对橘子进行分类，Python代码实现

import numpy as np
from sklearn.neighbors import KNeighborsClassifier

# 定义训练数据
X_train = np.array([[1.2, 3.5], [1.4, 3.2], [1.3, 3.6], [1.5, 3.9], [1.7, 3.6], [1.8, 3.2]])
y_train = np.array(['Orange', 'Orange', 'Orange', 'Orange', 'Orange', 'Orange'])

# 定义测试数据
X_test = np.array([[1.6, 3.4], [1.5, 3.5], [1.3, 3.3], [1.2, 3.7], [1.7, 3.4]])

# 定义KNN分类器
knn = KNeighborsClassifier(n_neighbors=3)

# 拟合数据
knn.fit(X_train, y_train)

# 预测测试数据
y_pred = knn.predict(X_test)

# 打印预测结果
print(y_pred)

KNN算法及应用场景

在这个例子中，我们首先定义了一些训练数据和测试数据。训练数据包括6个橘子的特征（重量和直径），以及它们的分类标签（橘子）。测试数据包括5个橘子的特征，我们要使用KNN算法对这些橘子进行分类。

然后，我们定义了一个KNN分类器，并使用训练数据来拟合它。接着，我们使用KNN分类器对测试数据进行预测，并打印预测结果。在这个例子中，我们假设K值为3，也就是说，我们要找到距离测试数据最近的3个训练数据，并通过它们的分类标签来预测测试数据的分类。

请注意，这只是一个简单的示例，实际上，我们需要更多的训练数据和更多的特征来训练一个更准确的KNN分类器。

当然这个数据是写死的，当然我们从外界读取文件，我们只需要导入一个pandas库，然后引入读取即可

data = pd.read_csv('路径文件名',encoding='gbk')

优化一下

import numpy as np
from sklearn.neighbors import KNeighborsClassifier

def main():
    # 定义训练数据
    X_train = np.array([[1.2, 3.5], [1.4, 3.2], [1.3, 3.6], [1.5, 3.9], [1.7, 3.6], [1.8, 3.2]])
    y_train = np.array(['Orange', 'Orange', 'Orange', 'Orange', 'Orange', 'Orange'])

    # 定义测试数据
    X_test = np.array([[1.6, 3.4], [1.5, 3.5], [1.3, 3.3], [1.2, 3.7], [1.7, 3.4]])

    # 定义KNN分类器
    knn = KNeighborsClassifier(n_neighbors=3)

    # 拟合数据
    knn.fit(X_train, y_train)

    # 预测测试数据
    y_pred = knn.predict(X_test)

    # 打印预测结果
    print(y_pred)

if __name__ == "__main__":
    main()

这样，我们就使代码更加紧凑和易读，并使用了函数将重复代码封装为一个函数，从而避免了重复输入。

再优化，用图表来展示

# 请参照实验思路完成实训内容

import numpy as np
from sklearn.neighbors import KNeighborsClassifier
import matplotlib.pyplot as plt
def main():
    # 定义训练数据
    X_train = np.array([[1.2, 3.5], [1.4, 3.2], [1.3, 3.6], [1.5, 3.9], [1.7, 3.6], [1.8, 3.2]])
    y_train = np.array(['Orange', 'Orange', 'Orange', 'Orange', 'Orange', 'Orange'])

    # 定义测试数据
    X_test = np.array([[1.6, 3.4], [1.5, 3.5], [1.3, 3.3], [1.2, 3.7], [1.7, 3.4]])

    # 定义KNN分类器
    knn = KNeighborsClassifier(n_neighbors=3)

    # 拟合数据
    knn.fit(X_train, y_train)

    # 预测测试数据
    y_pred = knn.predict(X_test)

    # 打印预测结果
    print(y_pred)
    fig, ax = plt.subplots()
    colors = {'Orange': 'red', 'Blue': 'blue'}
    for i in range(len(X_test)):
        ax.scatter(X_test[i][0], X_test[i][1], c=colors[y_pred[i]], label=y_pred[i])
    ax.legend()
    plt.show()

if __name__ == "__main__":
    main()

这将创建一个新的窗口显示散点图。每个测试数据点都用一个点表示，并根据它们的预测类别用不同的颜色标记。

KNN算法及应用场景文章来源地址https://www.toymoban.com/news/detail-500568.html