KNN算法的感受 2
2016-04-09 23:54
225 查看
(1):先将上述代码保存为kNN.py
(2):再在IDLE下的run菜单下run一下,将其生成python模块
(3):import kNN(因为上一步已经生成knn模块)
(4):kNN.classify0([0,0],group,labels,3) (讨论[0,0]点属于哪一个类)
注:其中【0,0】可以随意换
即【】内的坐标就是我们要判断的点的坐标:
>>> kNN.classify0([0,0],group,labels,3)
'B'
>>> kNN.classify0([0,1],group,labels,3)
'B'
>>> kNN.classify0([0.6,0.6],group,labels,3)
'A'
上述步骤缺少了一步:没有生成KNN模板中对应的变量,即变量只是在模板中声明了一下而没有在shell交互时真正的生成,故修改上述shell命令如下:
(1):先将上述代码保存为kNN.py
(2):再在IDLE下的run菜单下run一下,将其生成python模块
(3):import kNN(因为上一步已经生成knn模块)
>>> group,labels=kNN.createDataSet()
>>> group
array([[ 1. , 1.1],
[ 1. , 1. ],
[ 0. , 0. ],
[ 0. , 0.1]])
>>> labels
['A', 'A', 'B', 'B']
>>> kNN.classify0([0,0],group,labels,3)
'B'
>>>
(4): kNN.classify0([0,0],group,labels,3) (讨论[0,0]点属于哪一个类)
其他不变即可,哈哈哈。。。
(2):再在IDLE下的run菜单下run一下,将其生成python模块
(3):import kNN(因为上一步已经生成knn模块)
(4):kNN.classify0([0,0],group,labels,3) (讨论[0,0]点属于哪一个类)
注:其中【0,0】可以随意换
即【】内的坐标就是我们要判断的点的坐标:
>>> kNN.classify0([0,0],group,labels,3)
'B'
>>> kNN.classify0([0,1],group,labels,3)
'B'
>>> kNN.classify0([0.6,0.6],group,labels,3)
'A'
上述步骤缺少了一步:没有生成KNN模板中对应的变量,即变量只是在模板中声明了一下而没有在shell交互时真正的生成,故修改上述shell命令如下:
(1):先将上述代码保存为kNN.py
(2):再在IDLE下的run菜单下run一下,将其生成python模块
(3):import kNN(因为上一步已经生成knn模块)
>>> group,labels=kNN.createDataSet()
>>> group
array([[ 1. , 1.1],
[ 1. , 1. ],
[ 0. , 0. ],
[ 0. , 0.1]])
>>> labels
['A', 'A', 'B', 'B']
>>> kNN.classify0([0,0],group,labels,3)
'B'
>>>
(4): kNN.classify0([0,0],group,labels,3) (讨论[0,0]点属于哪一个类)
其他不变即可,哈哈哈。。。
相关文章推荐
- Example015实现html中checkbox的全选和反选(2)
- [javaEE] Servlet的手动配置
- 【GDOI模拟】暴走的图灵机
- 异步任务加载网络数据——AsyncTask使用
- Android最佳实践之Material Design
- 京东2016实习生在线编程题
- KNN算法的感受 1
- Linux内核如何装载和启动一个可执行程序-----实验7
- 第七十八天
- linux中清除cache的方法
- LeetCode 209. Minimum Size Subarray Sum
- 使用.NET统计文件夹中文件总数
- linux中清除cache的方法
- HDU-3586 Information Disturbing(树形DP+删边)
- return能否跳出循环?终止循环。
- perf学习-linux自带性能分析工具
- perf学习-linux自带性能分析工具
- 【UFLDL-exercise6- Self-Taught Learning】
- Linux系统-目录的创建,移动或重命名和删除
- EventBus StickyEvent(粘性事件) 的应用场景! 不需要手动注销事件总线