Chapter2 KNN

1.numpy.tile函數(shù)

格式：tile（A,reps）?
* A：array_like?
* 輸入的array?
* reps：array_like?
* A沿各個維度重復的次數(shù)

舉例：A=[1,2]?
1. tile(A,2)?
結果：[1,2,1,2]?
2. tile(A,(2,3))?
結果：[[1,2,1,2，1,2], [1,2,1,2,1,2]]?
3. tile(A,(2,2,3))?
結果：[[[1,2,1,2,1,2], [1,2,1,2,1,2]],?
[[1,2,1,2,1,2], [1,2,1,2,1,2]]]

reps的數(shù)字從后往前分別對應A的第N個維度的重復次數(shù)。

?

2.numpy.shape函數(shù)

shape函數(shù)是numpy.core.fromnumeric中的函數(shù)，它的功能是讀取矩陣的形狀，比如shape[0]就是讀取矩陣第一維度的長度。

?

?

3.numpy.sum函數(shù)(axis=)

python內(nèi)建函數(shù)的sum應該是默認的axis=0 就是普通的相加，當加入axis=1以后就是將一個矩陣的每一行向量相加。

例如：

c = np.array([[0, 2, 1], [3, 5, 6], [0, 1, 1]]) print c.sum() print c.sum(axis=0) print c.sum(axis=1) 結果分別是：19, [3 8 8], [ 3 14 2] #axis=0, 表示列。 #axis=1, 表示行。

?

4.字典的get方法

dict.get(key, "NO")

如果key在字典中不存在，返回第二個參數(shù)的值，例如這里返回"NO"

?

5.numpy.argsort函數(shù)

array.argsort()返回的是array數(shù)組中的值的從小到大的索引

例如x = [2,4,3,1]

注意這里numpy的數(shù)組要用它自己的array函數(shù)來定義，不能直接定義數(shù)組

?

6. sorted函數(shù)

?

a = {'math':98, 'english':100, 'PE':77} b = sorted(a.iteritems(), key=operator.itemgetter(1), reverse=True)

?

iteritems是循環(huán)迭代字典a中的每一個key-value對，itemgetter(1)表示排序是根據(jù)value的值排序（0則是key），reverse=True代表降序

?

橫軸：每年飛行里程數(shù) ?縱軸：玩電子游戲時間

綠色：不具魅力 ?藍色：魅力一般 ?紅色：極具魅力

Helen女士的擇偶標準挺不錯0.0

?

7.numpy.min() numpy.max()

numpy里的min(0)、max(0) 參數(shù)0表示列中取得最小值，而不是選取當前行的最小值，這也是用來處理矩陣的

?

8.使用open(filename)函數(shù)時出現(xiàn)錯誤：

File "/Users/qcy/PycharmProjects/MachineLearning/KNN.py", line 109, in img2vector
fr = open(filename)
TypeError: function takes at least 2 arguments (1 given)

這是由于在from os import * 時，把os.open()函數(shù)引入了，從而覆蓋了python的built-in的open()函數(shù)，這兩個open()函數(shù)使用的方法是不一樣的。所以只import需要使用的函數(shù)就行，改成from os import listdir

?

總結：KNN這個算法其實挺笨的，它并沒有真正的使用訓練集訓練出一個模型，而是在測試時直接把測試的矩陣擴大到訓練矩陣的規(guī)模，然后做一個距離的計算，取前K個，哪個類別的歸類多就歸到哪類。這種分類方式準確率還行，但是它運行的時間和占用的空間可能太過龐大了。 通過這一章也熟悉了使用numpy庫對矩陣進行操作?！癒NN另一個缺陷時它無法給出任何數(shù)據(jù)的基礎結構信息，因此我們也無法知曉平均實例樣本和典型實例樣本具有什么特征?！??（？？？）

?

?

轉載于:https://www.cnblogs.com/Rivrr/p/6362658.html

總結

以上是生活随笔為你收集整理的机器学习实战(python)-Ch02KNN-Notes的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。