K-近邻算法

废话不多说，直接放码过来。

from numpy import *
import operator
def createDataSet () :
    group = array([[0.5,0.5],[0.9,0.9],[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])#创建数组
    labels = ['c','A','A','A','B','B'] #列表
    return group,labels
    
def classify0(inX,dataSet,labels,k):
    dataSetSize = dataSet.shape[0]     #dataSet[0] 中有几个元素  答案是4
    diffMat = tile(inX,(dataSetSize,1)) - dataSet     
    sqDiffMat = diffMat**2    #计算出来距离
    sqDistances = sqDiffMat.sum(axis=1) #将一个小数组合并的距离的平方
    distances = sqDistances**0.5  #得到具体的距离
    sortedDistIndicies = distances.argsort() #根据索引值进行排序
    print(sortedDistIndicies)
    classCount = {}
    
    
    for i in range(k):
        voteIlabel = labels[sortedDistIndicies[i]]   #取出来最小值
     #   print(voteIlabel)
        classCount[voteIlabel] = classCount.get(voteIlabel,0)+1 # 记录每组分类的案例数。
    #    print(classCount)
        sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse = True)  # 按照案例数的大小进行排序。
    return sortedClassCount[0][0]
    
    

 

　　我看得是《机器学习实战》这一本书，我坑在这几行代码的地方是    选取与当前点距离最小的K各店，确定K各点所在类别的出现频率，返回这些类别中出现最多的类别就是想要点的类别。

　　就这样，挺有意思的。