k-最近邻居纲要

Question

我正在尝试遵循 k-最近邻居的示例，但我不确定 numpy 命令语法。 我应该进行矩阵距离计算，给出的代码是

def classify(inputVector, trainingData,labels,k):
     dataSetSize=trainingData.shape[0]
     diffMat=tile(inputVector,(dataSetSize,1))-trainingData
     sqDiffMat = diffMat**2
     sqDistances = sqDiffMat.sum(axis=1)
     distances = sqDistances**0.5
     sortedDistIndicies = distances.argsort()     
for i in range(k):
    voteIlabel = labels[sortedDistIndicies[i]]
    classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
    sortedClassCount = sorted(classCount.iteritems(), key=operator.itemgetter(1), reverse=True)
    return sortedClassCount[0][0]

def createDataSet():
     group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
     labels = ['A','A','B','B']
     return group, labels

我的问题是sqDistances**0.5如何sqDistances**0.5距离方程((A[0]-B[0])+(A[1]-B[1]))^1/2 ？ 我没有关注 tile 如何影响它，特别是矩阵是如何由 (datasetsize,1) 训练数据构成的。

Answer 1

我希望下面能解释工作。

Numpy 磁贴： https ://docs.scipy.org/doc/numpy/reference/generated/numpy.tile.html

使用此函数，您可以从与训练数据的形状相同的输入向量创建矩阵。 从这个矩阵中减去训练数据，它会给你一些你提到的test[0]-train[0]即元素差异。

然后，您使用diffMat**2每个获得的元素进行平方，然后沿axis = 1 ( https://docs.scipy.org/doc/numpy/reference/generated/numpy.sum.html ) 求和。 这导致了像(test[0] - train[0])^2 + (test[1] - train[1])^2这样的方程。

接下来通过采取sqDistances**0.5 ，它将给出欧几里得距离。

要计算欧几里德距离，这可能会有所帮助https://docs.scipy.org/doc/scipy/reference/generated/scipy.spatial.distance.euclidean.html#scipy.spatial.distance.euclidean