本文共 1177 字,大约阅读时间需要 3 分钟。
上一篇文章中进行距离计算时使用的函数是由自己实现的classify0()完成,本篇文章改用sklearn库的KNN相关的接口实现。其实只要学会了上一节中的K-近邻算法,在其基础上只要做如下修改即可。最主要的修改就是调用分类函数的地方改成调用sklearn的库,然后在预测时注意下其返回的结果是个ndarray,取值方式稍有不同,其它都一样的。
转载请注明出处:也简称 sklearn, 是机器学习领域当中最知名的 python 模块之一。Sklearn 包含了很多种机器学习的方式:
from sklearn.neighbors import KNeighborsClassifierdef sklearn_classifyPerson(): resultList = ['没有魅力', '魅力一般', '极具魅力'] ffMiles = float(input("每年飞行公里数?")) percentTats=float(input("打游戏耗费时间的百分比?")) iceCream = float(input("每周消费的冰激凌?")) datingDataMat, datingLabels = file2matrix('datingTestSet2.txt') normMat, ranges, minVals = autoNorm(datingDataMat) inArr = np.array([ffMiles,percentTats,iceCream]) # classifierResult = classify0((inArr-minVals)/ranges, normMat, datingLabels, 3) neigh = KNeighborsClassifier(n_neighbors=3) neigh.fit(normMat, datingLabels) classifierResult = neigh.predict([(inArr-minVals)/ranges])[0]#其返回的是ndarray,后面加[0]表示取里面的值。 print("这个人:", resultList[classifierResult-1])
直接在Python的main函数中调用sklearn_classifyPerson函数即可。
运行结果如下:如有疑问之处欢迎加我微信交流,共同进步!请备注“CSDN博客”