“python”之“机器学习”第一篇“K近邻算法”

╰+哭是因爲堅強的太久メ 2023-07-04 15:49 64阅读 0赞

## 例题说明： ##

**本例是由无问东西、后来的我们、前任3等五部电影构成的训练集，根据这五部电影的打斗镜头和接吻镜头训练机器人，当有新电影出现时，可根据其打斗镜头和接吻镜头来判断他属于哪类电影**

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzQ1MTYxNzY2_size_16_color_FFFFFF_t_70]  
**K近邻算法顾名思义，即根据距离来判断其属于哪类电影，将电影的打斗镜头和接吻镜头制成表格如下：**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzQ1MTYxNzY2_size_16_color_FFFFFF_t_70 1]  
*肉眼可见，绿色点即新电影距离爱情片更近*![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzQ1MTYxNzY2_size_16_color_FFFFFF_t_70 2]  
**具体操作步骤如下：**  
![在这里插入图片描述][20200212193040540.png]  
![在这里插入图片描述][20200212193054824.png]  
**以下是 整个代码：**

#K近邻算法实现，以判断动作片，还是爱情片为例
    #为方便验证，这里使用python的字典dict构建数据集，然后再将其转化为dataframe格式
    
    
    import  pandas as pd
    rowdata = { '电影名称': ['无问东西', '后来的我们', '前任三', '红海行动', '唐人街探案', '战狼2'],
               '打斗镜头': [1, 5, 12, 108, 112, 115],
               '接吻镜头'：[101, 89, 97, 5, 9, 8],
               '电影类型': ['爱情片', '爱情片', '爱情片', '动作片', '动作片', '动作片']}
    movie_data = pd.DataFrame(rowdata)
    #计算已知类别数据集中的点与当前点之间的距离
    k = 4
    new_data = [24, 67]#定义的新电影，打斗数24，接吻数67
    dist = list((((movie_data.iloc[:6, 1:3]-new_data)**2).sum(1))**0.5)#iloc这是python中的数据切片只要0:6行1:3列，此句意为计算所求点到每个点的距离
    #将距离升序排列，然后选取距离最小的k个点
    dist_1 = pd.DataFrame({ 'dist': dist, 'labels': (movie_data.iloc[:6, 3])})#给上一步求出的距离值加上原表第3列的标签
    dr = dist_1.sort_values(by = 'dist')[: k]#sort_values用于排序
    #确定前k个点所在类别出现的频率
    re = dr.loc[:, 'labels'].value_counts()
    re.index[0]
    result = []
    resulte.append(re.index[0])

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzQ1MTYxNzY2_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20200212192209661.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzQ1MTYxNzY2,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzQ1MTYxNzY2_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20200212192726663.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzQ1MTYxNzY2,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzQ1MTYxNzY2_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20200212192917931.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzQ1MTYxNzY2,size_16,color_FFFFFF,t_70
[20200212193040540.png]: https://img-blog.csdnimg.cn/20200212193040540.png
[20200212193054824.png]: https://img-blog.csdnimg.cn/20200212193054824.png