更新 function.py

function.py

@@ -25,8 +25,8 @@ import numpy as np
 """
 请在这里填写学号和姓名，不填写即成绩无效。
 """
-id = "202210423xxx"
-name = "test_name"
+id = "202210423222"
+name = "邓龙树"
 
 
 """
@@ -38,38 +38,66 @@ name = "test_name"
 - int: 预测的分类标签。
 """
 
-
-# 这里写自己的代码实现
-def classify0(inX, dataSet, labels, k=0):
-    """
-    KNN 分类算法。
-
-    Args:
-    - inX (numpy array): 输入待分类的样本。
-    - dataSet (numpy array): 训练数据集。
-    - labels (list or numpy array): 训练集对应的标签。
-    - k (int): KNN 算法参数，请自行设置默认值，评测时仅会使用其默认值。
-
-    Returns:
-    - int: 预测的分类标签。
-    """
-
-
-def load_data(file_path):
-    """
-    加载 TSV 格式数据文件。
-    """
-    data = np.loadtxt(file_path, delimiter="\t")
-    features = data[:, :-1]
-    labels = data[:, -1].astype(int)
-    return features, labels
-
-
-if __name__ == "__main__":
-    # 以下代码可用于测试，可自行随意修改
-
-    train_file = "datingTrainSet2.tsv"
-
-    train_data, train_labels = load_data(train_file)
-
-    print(classify0([65915, 3.868359, 0.128078], train_data, train_labels))
+import numpy as np  
+  
+def euclidean_distance(point1, point2):  
+    """  
+    计算两个点之间的欧氏距离。  
+    """  
+    return np.sqrt(np.sum((point1 - point2) ** 2))  
+  
+def classify0(inX, dataSet, labels, k=3):  
+    """  
+    KNN 分类算法。  
+  
+    Args:  
+    - inX (numpy array): 输入待分类的样本。  
+    - dataSet (numpy array): 训练数据集。  
+    - labels (list or numpy array): 训练集对应的标签。  
+    - k (int): KNN 算法参数，默认值为3。  
+  
+    Returns:  
+    - int: 预测的分类标签。  
+    """  
+    # 计算待分类样本与训练集中每个样本之间的距离  
+    distances = [euclidean_distance(inX, x) for x in dataSet]  
+      
+    # 对距离进行排序，并获取距离最小的k个样本的索引  
+    sorted_indices = np.argsort(distances)  
+    k_nearest_indices = sorted_indices[:k]  
+      
+    # 获取k个最近样本的标签  
+    k_nearest_labels = [labels[i] for i in k_nearest_indices]  
+      
+    # 统计每个标签出现的次数，并返回出现次数最多的标签  
+    label_counts = np.bincount(k_nearest_labels)  
+    predicted_label = np.argmax(label_counts)  
+      
+    return predicted_label  
+  
+def load_data(file_path):  
+    """  
+    加载 TSV 格式数据文件。  
+    """  
+    data = np.loadtxt(file_path, delimiter="\t")  
+    features = data[:, :-1]  
+    labels = data[:, -1].astype(int)  
+    return features, labels  
+  
+if __name__ == "__main__":  
+    # 测试代码  
+    train_file = "datingTrainSet2.tsv"  
+    test_file = "datingTestSet2.tsv"  # 假设有一个测试文件用于验证，虽然题目没明确要求  
+  
+    # 加载训练数据和测试数据  
+    train_data, train_labels = load_data(train_file)  
+    # test_data, test_labels = load_data(test_file)  # 如果需要测试，可以取消注释并添加相应的测试代码  
+  
+    # 测试 classify0 函数  
+    sample = [65915, 3.868359, 0.128078]  # 示例样本  
+    predicted_label = classify0(sample, train_data, train_labels)  
+    print(f"Predicted label for sample {sample}: {predicted_label}")  
+  
+    # 如果需要测试整个测试集，可以添加以下代码（注意：这部分代码是为了完整性而添加的，题目没明确要求）  
+    # accuracy = np.mean([classify0(test_data[i], train_data, train_labels) == test_labels[i] for i in range(len(test_data))])  
+    # print(f"Accuracy on test set: {accuracy}")