KNN核心算法函數(shù)，具體內(nèi)容如下

#! /usr/bin/env python3
# -*- coding: utf-8 -*-
# fileName ： KNNdistance.py
# author : zoujiameng@aliyun.com.cn

import math

def getMaxLocate(target): # 查找target中最大值的locate
 maxValue = float("-inFinIty")
 for i in range(len(target)):
  if maxValue < target[i]:
   maxValue = target[i]
   flag = i
 return flag

def KDistance(K, dest, source):
 destlen = len(dest)
 source1len = len(source[1])
 sourcelen = len(source)
 KNN = []
 locate = source # 準(zhǔn)備從source中剔除N-K個(gè)最大值

 if destlen == source1len:
  for i in range(sourcelen):
   delta = 0
   for j in range(source1len):# 畢達(dá)哥拉斯公式
    delta += (dest[j] - source[i][j])*(dest[j] - source[i][j])
   KNN.append(math.sqrt(delta))

  for k in range(sourcelen, K, -1):
   flag = getMaxLocate(KNN)
   #print("%s 最大元素位置為%d" % (KNN, flag))
   KNN.remove(KNN[flag]);
   locate.remove(locate[flag])# 移除對(duì)應(yīng)位置的元素
   #print(locate)
  return locate # 返回最終K個(gè)最接近的元素
 else:
  return None

假設(shè)你在伯克利開個(gè)小小的面包店,每天都做新鮮面包,需要根據(jù)如下一組特征預(yù)測(cè)當(dāng)天該烤多少條面包:

a. 天氣指數(shù)1~5(1表示天氣很糟,5表示天氣非常好);
b. 是不是周末或節(jié)假日(周末或節(jié)假日為1,否則為0);
c. 有沒有活動(dòng)(1表示有,0表示沒有)。

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

回歸:周末，天氣不錯(cuò)

Now(4, 1, 0) = ?

#! /usr/bin/env python3
# -*- 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 = []
 for i in history:
  source.append(i)
 print(source)

 from KNNdistance import KDistance
 K = 4
 locate = KDistance(K, dest, source)
 avg = 0
 for i in range(len(locate)):
  avg+=history[locate[i]]
 avg/=K
 print("回歸結(jié)果：今天應(yīng)該烤%d個(gè)面包" % round(avg))

KNN算法：

• 創(chuàng)建分類系統(tǒng)
• 分類（分組），特征抽?。ǖ玫较嗨瞥潭龋?/li>
• 回歸,即預(yù)測(cè)數(shù)值
• KNN算法真的是很有用,堪稱你進(jìn)入神奇的機(jī)器學(xué)習(xí)領(lǐng)域的領(lǐng)路人!機(jī)器學(xué)習(xí)旨在讓計(jì)算機(jī)更聰明。你見過一個(gè)機(jī)器學(xué)習(xí)的例子:創(chuàng)建推薦系統(tǒng)。
• OCR指的是光學(xué)字符識(shí)別 (optical character recognition),這意味著你可拍攝印刷頁面的照片,計(jì)算機(jī)將自動(dòng)識(shí)別出其中的文字。Google使用OCR來實(shí)現(xiàn)圖書數(shù)字化。
• 一般而言,OCR算法提取線段、點(diǎn)和曲線等特征。
• OCR中的特征提取要復(fù)雜得多,但再?gòu)?fù)雜的技術(shù)也是基于KNN等簡(jiǎn)單理念的。這些理念也可用于語音識(shí)別和人臉識(shí)別。你將照片上傳到Facebook時(shí),它有時(shí)候能夠自動(dòng)標(biāo)出照片中的人物,這是機(jī)器學(xué)習(xí)在發(fā)揮作用!
• OCR的第一步是查看大量的數(shù)字圖像并提取特征,這被稱為訓(xùn)練(training)。大多數(shù)機(jī)器學(xué)習(xí)算法都包含訓(xùn)練的步驟:要讓計(jì)算機(jī)完成任務(wù),必須先訓(xùn)練它。
  

samples:

a. 垃圾郵件過濾器, 使用一種簡(jiǎn)單算法——樸素貝葉斯分類器(Naive Bayes classifier)
b. 預(yù)測(cè)股票市場(chǎng), 使用機(jī)器學(xué)習(xí)來預(yù)測(cè)股票市場(chǎng)的漲跌真的很難。對(duì)于股票市場(chǎng),如何挑選合適的特征呢?股票昨天漲了,今天也會(huì)漲,這樣的特征合適嗎?又或者每年五月份股票市場(chǎng)都以綠盤報(bào)收,這樣的預(yù)測(cè)可行嗎?在根據(jù)以往的數(shù)據(jù)來預(yù)測(cè)未來方面,沒有萬無一失的方法。未來很難預(yù)測(cè),由于涉及的變量太多,這幾乎是不可能完成的任務(wù)。

conclude:

機(jī)器學(xué)習(xí)是個(gè)很有趣的領(lǐng)域，只要下定決心，你就能很深入地了解它。

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。