一个机器简单的机器学习算法-KNN分类器_调用传统机器学习算法设计分类器-CSDN博客

本文链接：https://blog.csdn.net/qq_34940959/article/details/78680993

本文分享了作者第一次实现机器学习算法的经历，通过Python从零开始构建了一个简单的KNN分类器，并使用sklearn的鸢尾花数据集进行验证。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

今天跟着教程写了一个我的第一个机器学习算法，之前上课的时候学到了一些原理，但是自己一直没有动手写过，今天晚上花了一点点时间，看了一下教程，用python写了一下。

做一下记录，以便以后查阅。

#第一个机器学习算法  KNN分类器
from scipy.spatial import distance
def euc(a,b):#计算欧氏距离
    return distance.euclidean(a,b)
class ScrappyKnn():
    def fit(self,X_train,y_train):
        self.X_train=X_train
        self.y_train=y_train
    def predict(self,X_test):
        predictions=[]
        for row in X_test:
            label= self.closest(row)  
            predictions.append(label)
        return predictions
    def closest(self,row):#这里KNN的思想就不多说了吧，不断的寻找最近的欧氏距离
        best_dist=euc(row,self.X_train[0])
        best_index=0
        for i in range(1,len(self.X_train)):
            dist=euc(row,self.X_train[i])
            if dist < best_dist :
                best_dist = dist
                best_index=i
        return self.y_train[best_index] 
from sklearn import datasets#这里用到的数据集是sklearn自带数据集
x=iris.data
y=iris.target
from sklearn.cross_validation import train_test_split
X_train,X_test,y_train,Y_test=train_test_split(x,y,test_size=.5)#分训练数据和测试数据
iris=datasets.load_iris()#加载自带的鸢尾花数据集
my_classifier=ScrappyKnn()#调用上面写好的KNN分类器
my_classifier.fit(X_train,y_train)#训练
predictions=my_classifier.predict(X_test)
print(predictions)#这一步得出预测标签
#下面将真实标签与预测标签比较一下
from sklearn.metrics import accuracy_score
print(accuracy_score(Y_test,predictions))#正确率