机器学习实战----k值近邻算法（Python语言）

实现kNN 分类算法的步骤：

（1）计算已知类别数据集中的点和我们要测试的实验数据点的距离

注：什么是距离，即使用欧式距离计算公式

（2）按照距离递增次序排序

（3）选取与距离最小的的k个点

注：K的值取多大合适，我也在学习，之后也会写博客笔记，一起交流

（4）确定在k个值中，哪个类出现的频率最高

（5）实验结果是将出现频率最高的那个类最为我们的结果，即完成测试数据的分类

注意：代码中好多注释掉的print,如果你不太理解每一步的意思，可打印出来看看，便于理解

理解sortedClassCount[0][0]的用法吗？？

由于sorted函数返回的是以元组为成员的列表，即故需要两次索引，有没有豁然开朗，嘻嘻。。

最后调用函数，输入[0,0]测试，给我们分的类是B

欧式距离公式;

下面就是对代码中的函数进行解释：

首先是.tile()函数---是一个将数组在指定轴进行多次copy，废话不多说，看例子

结果：注意是几位数组

此函数在本代码的应用是，将测试数据[0,0],扩展，然后才可以一次性运算矩阵减法，将该数据与训练集做差，即步骤（1）。

欢迎留言，我虚心接收意见和教导。

原文出处