什么是KNN算法，KNN算法主要的的應(yīng)用場景是什么？

KNN算法（K-Nearest Neighbor Algorithm）是一種基本的機器學(xué)習(xí)算法，它可以用于分類和回歸任務(wù)。

在KNN算法中，給定一個新的輸入樣本，通過計算其與已知數(shù)據(jù)集中每個樣本之間的距離，找到與其最相似的K個樣本，然后通過這K個樣本的分類信息（對于分類問題）或者平均值（對于回歸問題）來預(yù)測該輸入樣本的分類或者數(shù)值。

KNN算法的主要優(yōu)點是簡單易用、適用于多分類問題、適用于非線性分類問題等。然而，它的主要缺點是計算復(fù)雜度高，特別是當(dāng)數(shù)據(jù)集很大時，計算距離需要較多的時間和計算資源。

KNN算法的應(yīng)用場景包括圖像識別、語音識別、文本分類、推薦系統(tǒng)等。例如，KNN算法可以用于圖像分類問題，其中每個圖像可以看作是一個輸入樣本，它的特征可以表示為圖像的像素值。通過計算每個圖像與已知的訓(xùn)練集中的圖像之間的距離，可以找到與其最相似的K個圖像，然后通過這K個圖像的分類信息來預(yù)測該圖像的分類。

什么是KNN（K近鄰算法）？【知多少】_嗶哩嗶哩_bilibili

KNN和上次使用的線性回歸有哪些不同？?

KNN和線性回歸是兩種不同的機器學(xué)習(xí)算法，它們在模型的構(gòu)建和使用方法上有很大的差異：

模型類型：KNN是一種非參數(shù)模型，而線性回歸是一種參數(shù)模型。

模型目標(biāo)：KNN旨在通過尋找最近鄰的樣本來進行分類或回歸預(yù)測，而線性回歸旨在建立輸入特征和目標(biāo)變量之間的線性關(guān)系。

數(shù)據(jù)要求：KNN對數(shù)據(jù)的要求比較寬松，只需要樣本具有可比性；而線性回歸則要求樣本符合線性關(guān)系。

計算方法：KNN算法需要計算新樣本與每個訓(xùn)練樣本之間的距離，然后找到最近的K個樣本，對這K個樣本進行加權(quán)求和或者多數(shù)表決來進行預(yù)測；而線性回歸則是通過最小化目標(biāo)變量與預(yù)測變量之間的誤差平方和，來計算出回歸系數(shù)和截距。

適用范圍：KNN適用于多分類問題和非線性問題，如圖像識別、文本分類等；而線性回歸適用于連續(xù)數(shù)值預(yù)測問題，如房價預(yù)測、銷售額預(yù)測等。

總之，KNN和線性回歸是兩種不同的機器學(xué)習(xí)算法，它們各有優(yōu)缺點，適用于不同的場景和問題。在選擇合適的算法時，需要考慮數(shù)據(jù)特征、模型要求和業(yè)務(wù)需求等多個因素。

利用KNN算法對橘子進行分類，Python代碼實現(xiàn)

import numpy as np
from sklearn.neighbors import KNeighborsClassifier

# 定義訓(xùn)練數(shù)據(jù)
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'])

# 定義測試數(shù)據(jù)
X_test = np.array([[1.6, 3.4], [1.5, 3.5], [1.3, 3.3], [1.2, 3.7], [1.7, 3.4]])

# 定義KNN分類器
knn = KNeighborsClassifier(n_neighbors=3)

# 擬合數(shù)據(jù)
knn.fit(X_train, y_train)

# 預(yù)測測試數(shù)據(jù)
y_pred = knn.predict(X_test)

# 打印預(yù)測結(jié)果
print(y_pred)

在這個例子中，我們首先定義了一些訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)。訓(xùn)練數(shù)據(jù)包括6個橘子的特征（重量和直徑），以及它們的分類標(biāo)簽（橘子）。測試數(shù)據(jù)包括5個橘子的特征，我們要使用KNN算法對這些橘子進行分類。

然后，我們定義了一個KNN分類器，并使用訓(xùn)練數(shù)據(jù)來擬合它。接著，我們使用KNN分類器對測試數(shù)據(jù)進行預(yù)測，并打印預(yù)測結(jié)果。在這個例子中，我們假設(shè)K值為3，也就是說，我們要找到距離測試數(shù)據(jù)最近的3個訓(xùn)練數(shù)據(jù)，并通過它們的分類標(biāo)簽來預(yù)測測試數(shù)據(jù)的分類。

請注意，這只是一個簡單的示例，實際上，我們需要更多的訓(xùn)練數(shù)據(jù)和更多的特征來訓(xùn)練一個更準(zhǔn)確的KNN分類器。

當(dāng)然這個數(shù)據(jù)是寫死的，當(dāng)然我們從外界讀取文件，我們只需要導(dǎo)入一個pandas庫，然后引入讀取即可

data = pd.read_csv('路徑文件名',encoding='gbk')

?優(yōu)化一下

import numpy as np
from sklearn.neighbors import KNeighborsClassifier

def main():
    # 定義訓(xùn)練數(shù)據(jù)
    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'])

    # 定義測試數(shù)據(jù)
    X_test = np.array([[1.6, 3.4], [1.5, 3.5], [1.3, 3.3], [1.2, 3.7], [1.7, 3.4]])

    # 定義KNN分類器
    knn = KNeighborsClassifier(n_neighbors=3)

    # 擬合數(shù)據(jù)
    knn.fit(X_train, y_train)

    # 預(yù)測測試數(shù)據(jù)
    y_pred = knn.predict(X_test)

    # 打印預(yù)測結(jié)果
    print(y_pred)

if __name__ == "__main__":
    main()

這樣，我們就使代碼更加緊湊和易讀，并使用了函數(shù)將重復(fù)代碼封裝為一個函數(shù)，從而避免了重復(fù)輸入。

再優(yōu)化，用圖表來展示

# 請參照實驗思路完成實訓(xùn)內(nèi)容

import numpy as np
from sklearn.neighbors import KNeighborsClassifier
import matplotlib.pyplot as plt
def main():
    # 定義訓(xùn)練數(shù)據(jù)
    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'])

    # 定義測試數(shù)據(jù)
    X_test = np.array([[1.6, 3.4], [1.5, 3.5], [1.3, 3.3], [1.2, 3.7], [1.7, 3.4]])

    # 定義KNN分類器
    knn = KNeighborsClassifier(n_neighbors=3)

    # 擬合數(shù)據(jù)
    knn.fit(X_train, y_train)

    # 預(yù)測測試數(shù)據(jù)
    y_pred = knn.predict(X_test)

    # 打印預(yù)測結(jié)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()

這將創(chuàng)建一個新的窗口顯示散點圖。每個測試數(shù)據(jù)點都用一個點表示，并根據(jù)它們的預(yù)測類別用不同的顏色標(biāo)記。

文章來源地址http://www.zghlxwxcb.cn/news/detail-500568.html

到了這里，關(guān)于KNN算法及應(yīng)用場景的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！