predict 方法

Coddy 机器学习入门课程的第 8 课，共 19 课。

挑战

中等

补全 predict 方法。

该方法应接收一个包含多个新点的 X 列表。

对于每个新点，计算它与存储在 self.points 中的所有其他点之间的距离。提取距离最近的 self.k 个点的标签。

找出最近点中占多数的标签，这就是预测的类别。

例如，以下是我们的点和标签：

points	(1, 5)	(5, 0)	(3, 2)	(8, 1)	(4, 4)	(7, 7)
labels	A	B	A	B	C	A

这里有一个新点 (3, 3)。

该点与所有其他点之间的距离如下：

points	(1, 5)	(5, 0)	(3, 2)	(8, 1)	(4, 4)	(7, 7)
distance from (3, 3)	8	13	1	29	2	32
labels	A	B	A	B	C	A

现在，如果 k = 3，我们就需要找出离新点最近的 3 个点。它们分别是：(3, 2)、(1, 5) 和 (4, 4)。这些点对应的标签是：A、A、C。其中有 2 个 A 和 1 个 C。A 占多数，因此新点会被分类为 A。

predict 方法应返回一个列表，其中包含新点对应的分类标签。

要找出标签列表中占多数的标签，请使用：max(set(labels), key = labels.count)

亲手试试

class KNN:
    def __init__(self, k):
        self.points = None
        self.labels = None
        self.k = k
    
    def distance(self, point_a, point_b):
        # Write your code here
        return (sum([(point_a[i] - point_b[i])**2 for i in range(len(point_a))]))**0.5
    
    def fit(self, X_train, y_train):
        # Write your code here
        self.points = X_train
        self.labels = y_train

    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 方法项目课

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