KNN算法实现

最近要用到对 某些数据进行自动识别分类，简单学习了一下k近邻算法，分享一下。

例如：电影动作片爱情片分类识别

这里我们使用了sklearn库，它用起来简单方便。

先提供代码如下：

import numpy as np
import pandas as pd
from IPython.display import display
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn.neighbors import KNeighborsClassifier


data=pd.read_excel('/Users/_qiang/Desktop/识别数据集.xlsx',sheet_name=1)
display(data)
y = data["类别"]
X = data[["打斗镜头","亲吻镜头"]]
display(y)
display(X)
y.map({"动作片":0,"爱情片":1})
plt.figure()
plt.scatter(X["打斗镜头"],X["亲吻镜头"],c=y.map({"动作片":0,"爱情片":1}))

action=X.loc[y == "动作片"]
love = X.loc[y =="爱情片"]
colors = sns.color_palette("husl")
plt.figure()
plt.scatter(action["打斗镜头"],action["亲吻镜头"],marker="+",s=80,color = colors[0],label="action")
plt.scatter(love["打斗镜头"],love["亲吻镜头"],marker="_",s=80,color = colors[1],label="love")
plt.legend()
plt.xlabel("action",color=colors[0],fontsize=20)
plt.ylabel("love",color=colors[1],fontsize=20)
plt.show()

knn = KNeighborsClassifier(n_neighbors=3)
# 样本标签数值化处理
target = y.map({"动作片":0,"爱情片":1})
knn.fit(X,target)
#knn算法对象被训练之后，就成为了一个 模型对象。可以预测未知数据
film=[[10,2],[12,7],[5,10]]
prediction = knn.predict((film))
print(prediction)

解读一下代码：

代码的主要步骤如下：

1. 导入所需的库：

   • numpy：用于支持数组和矩阵运算。
   • pandas：用于数据处理和分析。
   • IPython.display：用于在 IPython 环境中显示数据。
   • seaborn：用于创建统计图形的库。
   • matplotlib.pyplot：用于绘制图形。
   • sklearn.neighbors.KNeighborsClassifier：用于构建 K 近邻分类器模型。

2. 从 Excel 文件中读取数据集：

   data = pd.read_excel('/Users/guo_qiang/Desktop/盲识别数据集.xlsx', sheet_name=1)
   

3. 显示数据集的内容：

   display(data)
   

4. 提取特征和标签：

   y = data["类别"]
   X = data[["打斗镜头", "亲吻镜头"]]
   

5. 对标签数据进行映射处理：

   y.map({"动作片": 0, "爱情片": 1})
   

6. 绘制散点图：

   • 使用 plt.scatter 函数绘制特征数据的散点图，并根据标签进行着色。
     

7. 将数据集按类别拆分：

   • 将数据集分为动作片和爱情片两个子集，分别进行散点图展示。
     

8. 创建 K 近邻分类器模型：

   knn = KNeighborsClassifier(n_neighbors=3)
   

9. 将标签数据数值化并训练模型：

   target = y.map({"动作片": 0, "爱情片": 1})
   knn.fit(X, target)
   

10. 使用训练好的模型进行预测：

film = [[10, 2], [12, 7], [5, 10]]
prediction = knn.predict(film)
print(prediction)

最后的输出将显示对电影类别的预测结果。

其中使用到的表格数据如下所示：

---

就介绍到这里啦～～

​ 如果觉得作者写的不错，求给博主一个大大的点赞支持一下，你们的支持是我更新的最大动力！

​ 如果觉得作者写的不错，求给博主一个大大的点赞支持一下，你们的支持是我更新的最大动力！

​ 如果觉得作者写的不错，求给博主一个大大的点赞支持一下，你们的支持是我更新的最大动力！