更新 function.py

function.py

@@ -38,84 +38,41 @@ name = "邓龙树"
 - int: 预测的分类标签。
 """
 
-import numpy as np  
+import numpy as np
-  
+
-def mahalanobis_distance(point1, point2, cov_inv):  
+def mahalanobis_distance(point1, point2, inv_covmat):
-    """计算两个点之间的马氏距离。  
+    """计算两个点之间的马氏距离。"""
-      
+    diff = np.array(point1) - np.array(point2)
-    Args:  
+    return np.sqrt(np.dot(np.dot(diff, inv_covmat), diff.T))
-    - point1 (numpy array): 第一个点。  
+
-    - point2 (numpy array): 第二个点。  
+def compute_mahalanobis_distances(dataSet, inX, inv_covmat):
-    - cov_inv (numpy array): 协方差矩阵的逆。  
+    """计算数据集中每个点与输入点inX的马氏距离。"""
-      
+    distances = np.array([mahalanobis_distance(inX, dataSet[i], inv_covmat) for i in range(dataSet.shape[0])])
-    Returns:  
+    return distances
-    - float: 马氏距离。  
+
-    """  
+def classify0(inX, dataSet, labels, k=3):
-    diff = np.array(point1) - np.array(point2)  
+    """KNN 分类算法，使用马氏距离。"""
-    return np.sqrt(np.dot(np.dot(diff, cov_inv), diff.T))  
+    # 计算协方差矩阵的逆矩阵
-  
+    covMat = np.cov(dataSet.T)
-def compute_mahalanobis_distances(dataSet, inX, cov_inv):  
+    inv_covMat = np.linalg.inv(covMat)
-    """计算数据集中每个点与输入点inX的马氏距离。  
+    
-      
+    distances = compute_mahalanobis_distances(dataSet, inX, inv_covMat)
-    Args:  
+    sorted_indices = np.argsort(distances)
-    - dataSet (numpy array): 训练数据集。  
+    k_nearest_indices = sorted_indices[:k]
-    - inX (numpy array): 输入待分类的样本。  
+    k_nearest_labels = labels[k_nearest_indices]
-    - cov_inv (numpy array): 协方差矩阵的逆。  
+    unique_labels, counts = np.unique(k_nearest_labels, return_counts=True)
-      
+    most_common_label = unique_labels[np.argmax(counts)]
-    Returns:  
+    return int(most_common_label)
-    - numpy array: 马氏距离数组。  
+
-    """  
+# 其余函数不变，包括加载数据的 load_data 和测试 KNN 算法的 test_knn
-    inX_array = np.array(inX)  
+
-    distances = [mahalanobis_distance(dataSet[i], inX_array, cov_inv) for i in range(len(dataSet))]  
+if __name__ == "__main__":
-    return np.array(distances)  
+    train_file_path = "path/to/datingTrainSet2.tsv"  # 替换为您的训练文件路径
-  
+    test_file_path = "path/to/datingTestSet2.tsv"    # 替换为您的测试文件路径
-def classify0(inX, dataSet, labels, k=3, cov_inv=None):  
+
-    """KNN 分类算法，使用马氏距离。  
+    # 测试KNN算法，默认k=3
-      
+    test_knn(train_file_path, test_file_path)
-    Args:  
+
-    - inX (list or numpy array): 输入待分类的样本。  
+    # 您可以尝试不同的k值来查看对准确率的影响
-    - dataSet (numpy array): 训练数据集。  
+    # test_knn(train_file_path, test_file_path, k=5)
-    - labels (numpy array): 训练集对应的标签。  
+    # test_knn(train_file_path, test_file_path, k=1)
-    - k (int): KNN 算法参数，表示选择最近的k个邻居，默认值为3。  
-    - cov_inv (numpy array): 协方差矩阵的逆，如果为None则使用欧氏距离。  
-      
-    Returns:  
-    - int: 预测的分类标签。  
-    """  
-    if cov_inv is not None:  
-        distances = compute_mahalanobis_distances(dataSet, inX, cov_inv)  
-    else:  
-        distances = compute_distances(dataSet, inX)  # 使用原有的欧氏距离计算函数  
-      
-    sorted_indices = np.argsort(distances)  
-    k_nearest_indices = sorted_indices[:k]  
-    k_nearest_labels = labels[k_nearest_indices]  
-    unique_labels, counts = np.unique(k_nearest_labels, return_counts=True)  
-    most_common_label = unique_labels[np.argmax(counts)]  
-    return int(most_common_label)  
-  
-# ... (load_data 和 test_knn 函数保持不变)  
-  
-if __name__ == "__main__":  
-    train_file_path = "path/to/datingTrainSet2.tsv"  # 替换为您的训练文件路径  
-    test_file_path = "path/to/datingTestSet2.tsv"    # 替换为您的测试文件路径  
-      
-    # 加载数据  
-    train_data, train_labels = load_data(train_file_path)  
-    if train_data is None or train_labels is None:  
-        print("Failed to load training data.")  
-        exit()  
-      
-    # 计算协方差矩阵及其逆  
-    cov_matrix = np.cov(train_data.T)  
-    cov_inv = np.linalg.inv(cov_matrix)  
-      
-    # 测试KNN算法，使用马氏距离，默认k=3  
-    accuracy = test_knn(train_file_path, test_file_path, k=3, cov_inv=cov_inv)  
-      
-    # 注意：由于test_knn函数中没有直接传递cov_inv，我们需要修改它以便能够传递这个参数。  
-    # 下面的修改是假设在test_knn函数中添加了一个cov_inv参数，并在调用classify0时传递了它。  
-    # （实际代码中需要对test_knn函数进行相应修改，这里只是说明思路）  
-    # ...  
-    # 修改后的test_knn函数调用示例（需要在函数定义中添加cov_inv参数）：  
-    # accuracy = test_knn(train_file_path, test_file_path, k=3, cov_inv=cov_inv)