From 9d6b0fda27c83a41a4cb977989d1710932e06b63 Mon Sep 17 00:00:00 2001
From: yuhaopan <1159526601@qq.com>
Date: Tue, 15 Oct 2024 20:45:59 +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 | 32 +++++++++++++++++---------------
 1 file changed, 17 insertions(+), 15 deletions(-)

diff --git a/function.py b/function.py
index 9dcfdf1..c4c1170 100644
--- a/function.py
+++ b/function.py
@@ -38,35 +38,37 @@ name = "潘宇豪"
 """
 
 
-def classify0(inX, dataSet, labels, k=3):
+def classifyo(inx, dataSet, labels, k=8, _cache={"VI": None}):
     """
-    KNN 分类算法。 
+    KNN 分类算法，使用缓存优化性能。
 
     参数:
-    - inX (numpy array): 输入待分类的样本。
+    - 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。
+    - _cache (dict): 缓存数据，用于存储协方差矩阵的逆。
 
     返回值:
     - int: 预测的分类标签。
     """
-    # 计算均值和协方差的逆
-    mean = np.mean(dataSet, axis=0)
-    cov_inv = inv(np.cov(dataSet, rowvar=False))
+    # 使用缓存，直接获取协方差矩阵的逆
+    if _cache["VI"] is None:
+        _cache["VI"] = np.linalg.inv(np.cov(dataSet.T))
 
-    # 计算输入样本与每个训练样本之间的马氏距离
-    diff = dataSet - inX
-    distances = np.sqrt(np.einsum('ij,jk->i', diff, np.dot(cov_inv, diff.T)))
+    # 计算输入样本与数据集的差值
+    diff = dataSet - inx
 
-    # 找到最近的k个邻居
-    sortedDistIndices = np.argsort(distances)[:k]
-    nearest_labels = labels[sortedDistIndices]
+    # 使用矩阵运算计算马氏距离
+    distances = np.sum(diff @ _cache["VI"] * diff, axis=1)
 
-    # 使用np.bincount统计类别出现次数
-    classCount = np.bincount(nearest_labels.astype(int))
+    # 对距离排序，获取前k个最近的样本索引
+    sortedDistIndices = np.argsort(distances)
 
-    # 返回出现次数最多的类别
+    # 统计前k个样本的标签
+    classCount = np.bincount(labels[sortedDistIndices[:k]])
+
+    # 返回出现次数最多的标签
     return np.argmax(classCount)