generated from LufsX/Challenge-kNN
butterfly-is-butter-fly
c0a3cbd23f
Gitea Actions Challenge Test / Challenge-Actions (push) Successful in 11s
148 lines
4.3 KiB
Python
148 lines
4.3 KiB
Python
import numpy as np
|
|
|
|
"""
|
|
挑战说明:
|
|
- 自行编写实现 KNN 分类算法。
|
|
- 函数输入: 待分类的样本 inX, 训练数据集 dataSet, 训练集对应的标签 labels。
|
|
- 函数返回: 预测的分类标签。
|
|
|
|
注意事项:
|
|
- 可以自行导入其他库，需要在 requirements.txt 添加依赖，若未在 requirements.txt 中添加使用到的依赖，则无法自动评测，成绩为零。
|
|
- 在 function.py 中实现 KNN 分类算法。
|
|
- 自动评测脚本仅会加载 classify0 函数，请勿修改函数名。
|
|
- 训练集在本目录下的 datingTrainSet2.tsv 中。
|
|
- 评测数据集在本目录下的 datingTestSet2.tsv 中。
|
|
|
|
挑战环境:
|
|
- CPU: Intel Xeon(R) CPU E3-1231 v3 @ 3.40GHz
|
|
- OS: Ubuntu 22.04.4 LTS
|
|
- Python: 3.10.12
|
|
- numpy: 2.1.1
|
|
"""
|
|
|
|
"""
|
|
请在这里填写学号和姓名，不填写即成绩无效。
|
|
"""
|
|
id = "202210423126"
|
|
name = "邓杰元"
|
|
|
|
"""
|
|
参数说明:
|
|
- 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，不修改默认值将**无法通过**评测，**成绩为零**。
|
|
返回值:
|
|
- int: 预测的分类标签。
|
|
"""
|
|
|
|
def normalize(dataSet):
|
|
"""
|
|
对数据进行归一化处理，使每个特征都在相同的范围内。
|
|
Args:
|
|
- dataSet (numpy array): 原始数据集。
|
|
|
|
Returns:
|
|
- normDataSet (numpy array): 归一化后的数据集。
|
|
- ranges (numpy array): 每个特征的范围。
|
|
- minVals (numpy array): 每个特征的最小值。
|
|
"""
|
|
minVals = dataSet.min(0)
|
|
maxVals = dataSet.max(0)
|
|
ranges = maxVals - minVals
|
|
normDataSet = (dataSet - minVals) / ranges
|
|
return normDataSet, ranges, minVals
|
|
|
|
|
|
def classify0(inX, dataSet, labels, k=20):
|
|
"""
|
|
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 20。
|
|
|
|
Returns:
|
|
- int: 预测的分类标签。
|
|
"""
|
|
# 计算输入向量与训练集中每个样本的欧氏距离
|
|
distances = np.sqrt(np.sum((dataSet - inX) ** 2, axis=1))
|
|
|
|
# 获取距离最小的 k 个样本的索引
|
|
k_indices = np.argsort(distances)[:k]
|
|
|
|
# 获取这 k 个样本的标签
|
|
k_nearest_labels = labels[k_indices]
|
|
|
|
# 手动实现一个计数器，统计每个标签出现的次数
|
|
label_count = {}
|
|
for label in k_nearest_labels:
|
|
if label in label_count:
|
|
label_count[label] += 1
|
|
else:
|
|
label_count[label] = 1
|
|
|
|
# 找出出现次数最多的标签
|
|
max_count = -1
|
|
most_common_label = None
|
|
for label, count in label_count.items():
|
|
if count > max_count:
|
|
max_count = count
|
|
most_common_label = label
|
|
|
|
# 返回出现次数最多的标签
|
|
return most_common_label
|
|
|
|
|
|
def load_data(file_path):
|
|
"""
|
|
加载 TSV 格式数据文件。
|
|
|
|
Args:
|
|
- file_path (str): 数据文件路径。
|
|
|
|
Returns:
|
|
- features (numpy array): 数据特征矩阵。
|
|
- labels (numpy array): 数据对应的标签。
|
|
"""
|
|
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，可以自行修改和测试
|
|
|
|
train_file = "datingTrainSet2.tsv"
|
|
|
|
test_file = "datingTestSet2.tsv"
|
|
|
|
train_data, train_labels = load_data(train_file)
|
|
test_data, test_labels = load_data(test_file)
|
|
|
|
# 对训练集和测试集进行归一化
|
|
norm_train_data, ranges, minVals = normalize(train_data)
|
|
norm_test_data = (test_data - minVals) / ranges
|
|
|
|
errors = 0 # 用于统计错误分类的样本数量
|
|
|
|
# 对测试集中的样本进行预测
|
|
for i in range(len(norm_test_data)):
|
|
predicted_label = classify0(norm_test_data[i], norm_train_data, train_labels, k=20)
|
|
print(f"样本 {i+1}: 预测标签: {predicted_label}, 实际标签: {test_labels[i]}")
|
|
if predicted_label != test_labels[i]:
|
|
errors += 1
|
|
|
|
# 输出错误率
|
|
error_rate = errors / len(test_data)
|
|
print(f"错误分类的样本数: {errors}")
|
|
print(f"错误率: {error_rate * 100:.2f}%")
|
|
|
|
|
|
|
|
|