更新 function.py

function.py

@@ -37,15 +37,15 @@ name = "潘宇豪"
 """
 
 
-def classify0(inx, dataSet, labels, k=2, _cache={"VI": None}):
+def classify_with_voting_no_loop(inx, dataSet, labels, k_values=[3,4,8,9], _cache={"VI": None}):
     """
-    KNN 分类算法，使用缓存优化性能。
+    KNN分类算法，使用多种k值并通过投票机制预测最终结果。此版本不使用显式for循环。
 
     参数:
     - 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): 使用的邻居数量。
+    - k_values (list): 使用的邻居数量的不同k值。
     - _cache (dict): 缓存数据，用于存储协方差矩阵的逆。
 
     返回值:
@@ -61,14 +61,20 @@ def classify0(inx, dataSet, labels, k=2, _cache={"VI": None}):
     # 使用矩阵运算计算马氏距离
     distances = np.sum(diff @ _cache["VI"] * diff, axis=1)
 
-    # 对距离排序，获取前k个最近的样本索引
+    # 对距离排序，获取所有样本索引
     sortedDistIndices = np.argsort(distances)
 
-    # 统计前k个样本的标签
-    classCount = np.bincount(labels[sortedDistIndices[:k]])
+    # 创建一个矩阵来保存每个k值的前k个样本的标签
+    max_k = max(k_values)  # 找到最大的k
+    nearest_labels = labels[sortedDistIndices[:max_k]]  # 取最大的k个邻居的标签
 
-    # 返回出现次数最多的标签
-    return np.argmax(classCount)
+    # 为每个k值计算预测结果，统计不同k值下出现最多的标签
+    predictions = np.array([np.bincount(nearest_labels[:k]).argmax() for k in k_values])
+
+    # 对所有预测结果进行投票，选择出现次数最多的标签作为最终结果
+    final_prediction = np.bincount(predictions).argmax()
+
+    return final_prediction
 
  
 def load_data(file_path):