看到這個名字，是不是覺得很高大上？
看到網上的那些大佬寫了一堆的代碼，一堆的分析，是不是有點頭昏腦脹？
這還是機器學習中最簡單的算法么？
# ===================
如果你也遇到了什么這些迷惑，我想選擇看這篇文章，可能會對你有很大的幫助，因為我也不喜歡那些復雜的推理什么的。(好吧，只是因為想安慰你們才這么說的)
相信短短的20行代碼就會讓你快速掌握Knn算法(機器學習中最簡單算法)

為了幫助很多對于算法不太理解的人，我做了一些幫助清單(如果遇到Knn算法中，哪個用法或者是函數不懂的話，就看這個清單，都是很短的東西)
1.tile()函數講解
2.sum(axis = 1)講解
3.numpy.argsort()函數的講解
4.operator.itermgetter()函數的講解

很多很細心的朋友就可以看到，這個代碼在網上很多都有，但是，你搜索的很多也是長的差不多的代碼，但其實那些代碼，現在，在本機上，并不能通過。
但是這個我是在Pycharm 上運行了沒有問題的代碼。
至于原因，大家可以在仔細比對下代碼的差異性，我在這留給大家一個進步的機會，實在看不出來，可以發信息給我。

from numpy import * import operator def createDataSet():group = array([[1.0, 1.1], [1, 0.9], [0, 0], [0.1, 0.1]])lables = ['A', 'A', 'B', 'B']return group, lables def classify0(inX, dataSet, labels, k):# k means how many you need to get your P(x)dataSetSize = dataSet.shape[0]DiffMat = tile(inX, (dataSetSize, 1)) - dataSetsqDiffMat = DiffMat**2sqDistances = sqDiffMat.sum(axis=1)distances = sqDistances**0.5 # 到這里求解了歐式距離(并構成了一個ndarray)sortedDistances = distances.argsort() # 根據排名作為索引 IndexclassCount = {}for i in range(k):voteIlabel = labels[sortedDistances[i]]classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1# 選出了距離最小的k個點，并且做了一個簡單的統計sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True) #按照第一個(從0開始數)進行排序return sortedClassCount[0][0] # 返回的出現次數最多的那個標簽 # 函數main: group, labels = createDataSet() x = [1, 1] print(classify0(x, group, labels, 2))

第一函數是創造一個數據集(我就按照特性寫了個數據集)，所以是創造一個數據集，但是實際應用中，多半都是從哪收集的或者是別的什么的方式得到的數據，但是內容沒有很大區別。
classify0才是knn算法是實現部分
然后后面那幾句是測試代碼。(可以理解為main函數，至于為什么我沒寫main,那是因為我懶)

Knn 的意思就是k個最近鄰（會英語的一下就理解了）
就是一堆數據，然后，選一個k
再把你要算的數據拿出來，（inX）放到這個函數中
把這些點那些參數都理解為坐標。
我們想要考慮的那個樣本點和原來的數據集距離。
這里用的是歐式距離(是不是逼格很高？ 其實就是 根號下的平方和)
如果你上個高中的數學課（或者還沒有忘記的話）你所知道的算兩點距離的方法就是算的是歐式距離
（對了，你要是上面這個都不知道，要么你自個看看百度百科，要么，你就是點錯了才看我這文章的emmm）
算出那么多距離之后，之前不是確定了一個k值了么？就把最小的那前k個拿出來，看下有多少個類型的點。并統計下概率。
就是預測值和概率了。

看完上面的入門版，可以接著看進階版的代碼(還是同樣的問題)

最后，老套路，宣傳一波自己的公眾號！（求關注哇！）
本人中大一肥宅，歡迎大家關注，請掃下面的二維碼(〃’▽’〃)

總結

以上是生活随笔為你收集整理的Knn算法(机器学习)入门(Python实现)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。