如何将求1NN的改写成求KNN

加载数据库等等

img


img

计算距离

img


这个是求最近的1个值

img


我现在想把上面求1个值改成返回K个最邻值 要如何写？

img

可以麻烦写下代码轮廓么

假如计算K个最近邻，在循环里面在计算dist距离时，刚开始K个循环，都要保存下来，从K+1之后，如果距离dist小于前面保存的最大的，就把它替换掉，这样代码的效率会比较高。

下面是代码， 望采纳！



    def _predict_item(self, item, K):
        best_labelK = []
        best_distK = []
        n=0
        for i in range(len(train_data)):
            dist = self.metric(train_data[i], item)
            n = n + 1
            if n<=K:
                best_distK.append(dist)
                best_labelK.append(self.train_labels[i])
            else:
                if dist < max(best_distK):
                    update_index = best_distK.index(max(best_distK))
                    best_distK(update_index) = dist
                    best_labelK(update_index) = self.train_labels[i]
    return best_labelK

添加一个按距离从小到大排列的优先队列，遍历所有元素，依次计算每个元素与给定数据的距离，并将每个元素与其距离入队列，每当队列大小超过k时，队列末尾元素出列。当遍历结束时，这个队列里的所有元素就是你要求的kNN。

最笨的办法就是把所有值都算出来，并存在一个数组a[]中，然后数组从小到大排列，a[0]----a[k-1]就是你要的结果，

冒泡排序，存进一个list，然后遍历判断list大小，超过k就停止存入。

目前也只想到求所有值，然后进行冒泡排序，取K值。

在__init__中添加一个top_k的参数，然后距离函数需要变成双重循环计算，或者像我一样写在一起也行。

from collections import Counter
class Nearxxxx:
    def __init__(self,metric,top_k):
        self.k=top_k
    def _predict_item(self,item):
        best_dist,best_label=1.0e10,None
        d=[np.sqrt(np.sum((i-self.train_data)**2)) for i in self.train_data]
        nearest=np.argsort(d)
        top_k=[self.train_labels[i] for i in nearest[:self.k]]

        return top_k

https://ask.csdn.net/questions/7462437?spm=1005.2026.3001.5635&utm_medium=distribute.pc_relevant_ask_down.none-task-ask-2~default~OPENSEARCH~default-14.pc_feed_download_top3ask&depth_1-utm_source=distribute.pc_relevant_ask_down.none-task-ask-2~default~OPENSEARCH~default-14.pc_feed_download_top3ask

比较常规的逻辑是先求出所有值，然后进行排序，取K值。

冒泡排序

import numpy as np
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split as tsplit
p0, p1 = (-1,-1), (1,1)
v0, v1 = 0.8, 1.2
xs_0 = np.random.normal(loc=p0[0], scale=pow(v0,0.5), size=5000)
ys_0 = np.random.normal(loc=p0[1], scale=pow(v0,0.5), size=5000)
label_0 = np.zeros(5000, dtype=np.int32)
xs_1 = np.random.normal(loc=p1[0], scale=pow(v1,0.5), size=5000)
ys_1 = np.random.normal(loc=p1[1], scale=pow(v1,0.5), size=5000)
label_1 = np.ones(5000, dtype=np.int32)
X = np.vstack((np.stack((xs_0, ys_0), axis=1), np.stack((xs_1, ys_1), axis=1)))
y = np.hstack((label_0, label_0))
X_train, X_test, y_train, y_test = tsplit(X, y, test_size=0.1) # 拆分
m = KNeighborsClassifier() # 设置k=5
m.fit(X_train, y_train) # 训练
KNeighborsClassifier()
score = m.score(X_test, y_test) # 模型测试精度
print(score)