更新 function.py

function.py

@@ -1,6 +1,7 @@
 # function.py
-import numpy as np
-
+import numpy as np 
+from sklearn.preprocessing import StandardScaler  
+from numpy.linalg import inv
 """
 挑战说明:
 - 自行编写实现 KNN 分类算法。
@@ -39,33 +40,45 @@ name = "吴俊煯"
 
 
 # 这里写自己的代码实现
-def classify0(inX, dataSet, labels,k=4):
-    """
-    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。
-
-    Returns:
-    - int: 预测的分类标签。
-    """
-    # 计算每个训练样本与待分类样本之间的欧氏距离  
-    distances = [np.sqrt(np.sum((x_train - inX) ** 2)) for x_train in dataSet]  
-      
-    # 按距离排序，并获取最近的 k 个邻居的索引  
-    k_indices = np.argsort(distances)[:k]  
-      
-    # 获取这 k 个邻居的标签  
-    k_nearest_labels = [labels[i] for i in k_indices]  
-      
-    # 统计每个标签出现的次数，并找出出现次数最多的标签  
+def classify0(inX, dataSet, labels, k=4, cov_inv=None):  
+    """  
+    KNN 分类算法，使用马氏距离。  
+  
+    Args:  
+    - inX (numpy array): 输入待分类的样本（形状应为 (1, n)）。  
+    - dataSet (numpy array): 训练数据集（形状应为 (m, n)）。  
+    - labels (numpy array): 训练集对应的标签。  
+    - k (int): 选择最近邻的个数。  
+    - cov_inv (numpy array): 训练数据协方差矩阵的逆（可选，如果未提供，则函数内部计算）。  
+  
+    Returns:  
+    - int: 预测的分类标签。  
+    """  
+    if cov_inv is None:  
+        # 计算训练数据的协方差矩阵并求逆  
+        cov_matrix = np.cov(dataSet.T)  
+        cov_inv = inv(cov_matrix)  
+  
+    # 计算待分类样本与所有训练样本之间的马氏距离  
+    # 注意：这里我们假设 inX 已经被适当地预处理（例如，通过 StandardScaler 归一化）  
+    # 并且 dataSet 也是用相同的预处理步骤处理的  
+    differences = dataSet - inX  
+    mahalanobis_distances = np.sqrt(np.sum(differences @ cov_inv @ differences.T, axis=1))  
+  
+    # 按距离排序，并获取前 k 个训练样本的索引  
+    k_indices = np.argsort(mahalanobis_distances)[:k]  
+  
+    # 获取前 k 个训练样本的标签  
+    k_nearest_labels = labels[k_indices]  
+  
+    # 找到出现次数最多的标签  
     from collections import Counter  
     most_common = Counter(k_nearest_labels).most_common(1)  
-      
+  
     # 返回出现次数最多的标签  
-    return most_common[0][0]
+    return most_common[0][0]  
+  
+
 
 
 def load_data(file_path):