更新 function.py

function.py

@@ -40,19 +40,33 @@ name = "陈宇杰"
 
 
 # 这里写自己的代码实现
-def classify0(inX, dataSet, labels, k=0):
+# KNN 分类算法
+def knn_classify(inX, dataSet, labels, k):
     """
-    KNN 分类算法。
+    K-最近邻 (KNN) 算法分类输入样本。
 
-    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。
+    参数:
+    inX : numpy array : 待分类的输入样本
+    dataSet : numpy array : 训练数据
+    labels : list : 训练数据对应的标签
+    k : int : 用于分类的最近邻数量
 
-    Returns:
-    - int: 预测的分类标签。
+    返回:
+    预测的分类标签。
     """
+    # 计算 inX 与所有训练数据点之间的欧几里得距离
+    distances = np.linalg.norm(dataSet - inX, axis=1)
+
+    # 排序距离并返回前 k 个最近邻的索引
+    nearest_indices = distances.argsort()[:k]
+
+    # 获取最近邻的标签
+    nearest_labels = [labels[i] for i in nearest_indices]
+
+    # 使用多数投票法决定预测的类别
+    predicted_label = Counter(nearest_labels).most_common(1)[0][0]
+
+    return predicted_label
 
 
 def load_data(file_path):
@@ -65,11 +79,21 @@ def load_data(file_path):
     return features, labels
 
 
+def classify0(inX, dataSet, labels, k=3):
+    """
+    调用 knn_classify 函数进行分类。
+    """
+    return knn_classify(inX, dataSet, labels, k)
+
+
 if __name__ == "__main__":
-    # 以下代码可用于测试，可自行随意修改
-
+    # 加载训练集
     train_file = "datingTrainSet2.tsv"
-
     train_data, train_labels = load_data(train_file)
 
-    print(classify0([65915, 3.868359, 0.128078], train_data, train_labels))
+    # 测试分类
+    test_sample = [65915, 3.868359, 0.128078]
+    predicted_label = classify0(test_sample, train_data, train_labels)
+
+    # 打印分类结果
+    print(f"测试样本 {test_sample} 的预测分类标签为: {predicted_label}")