fit 方法

Coddy 机器学习入门课程的第 7 课，共 19 课。

KNN 没有明确的训练阶段。它只是存储数据集。只有在预测阶段，它才会计算新点与其余点之间的距离。

挑战

中等

在 distance 方法中实现欧几里得距离的计算，并修改 fit 方法，将点列表存储在 self.points 中，并将对应的标签存储在 self.labels 中。X_train 是点，y_train 是标签。

亲手试试

import numpy
class KNN:
    def __init__(self, k):
        self.points = None
        self.labels = None
        self.k = k
    
    def distance(self, point_a, point_b):
        # 在这里编写你的代码
    
    def fit(self, X_train, y_train):
        # 在这里编写你的代码
        pass

    def predict(self, X_test):
        pass

机器学习入门中的所有课

1ML 之旅的开始

ML 简介提供给模型的数据什么是 ML 模型

4K-Means 算法

K-Means 简介 fit 方法 predict 方法

2机器学习概述

监督学习无监督学习

5朴素贝叶斯

朴素贝叶斯简介 fit 方法 predict 方法

3K-近邻（KNN）

KNN 简介fit 方法predict 方法

6其他模型

逻辑回归线性回归决策树支持向量机（SVM）模型测验

自己练习： Python 在线编译器