From 27c96cca75db2f69888f82a55e1c8dcfb94dfbbf Mon Sep 17 00:00:00 2001
From: dong <2938690875@qq.com>
Date: Thu, 17 Oct 2024 16:52:34 +0800
Subject: [PATCH] =?UTF-8?q?=E6=9B=B4=E6=96=B0=20function.py?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 function.py | 20 ++++++++------------
 1 file changed, 8 insertions(+), 12 deletions(-)

diff --git a/function.py b/function.py
index d3baf72..5a1d75d 100644
--- a/function.py
+++ b/function.py
@@ -41,31 +41,27 @@ name = "董秋"
 
 
 # 这里写自己的代码实现
-
 def classify(input_vector, dataSet, labels, k=3):
     """
-    KNN 分类算法（使用马氏距离）。
+    KNN 分类算法。
 
     Args:
     - input_vector (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。
+    - 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**。
 
     Returns:
     - int: 预测的分类标签。
     """
-    # 计算协方差矩阵及其逆矩阵
-    cov_matrix = np.cov(dataSet, rowvar=False)
-    inv_cov_matrix = np.linalg.inv(cov_matrix)
+    """
+    使用欧式距离的 kNN 分类算法。
+    """
+     # 计算欧式距离
+    distances = np.linalg.norm(dataSet - input_vector, axis=1)
     
-    # 计算马氏距离
-    diffMat = dataSet - input_vector
-    left_term = np.dot(diffMat, inv_cov_matrix)
-    mahalanobis_distances = np.sqrt(np.sum(left_term * diffMat, axis=1))
-
     # 获取距离最近的 k 个样本的索引
-    k_indices = np.argsort(mahalanobis_distances)[:k]
+    k_indices = np.argsort(distances)[:k]
     
     # 获取最近邻样本的标签
     k_nearest_labels = [labels[i] for i in k_indices]