更新 function.py

function.py

@@ -43,7 +43,7 @@ name = "李劲"
   
 def classify(input_vector, dataSet, labels, k=3):  
     """  
-    KNN 分类算法（使用欧氏距离）。  
+    KNN 分类算法（使用欧氏距离和加权多数表决法）。  
   
     Args:  
     - input_vector (numpy array): 输入待分类的样本。  
@@ -58,16 +58,27 @@ def classify(input_vector, dataSet, labels, k=3):
     diffMat = dataSet - input_vector  
     euclidean_distances = np.sqrt(np.sum(diffMat ** 2, axis=1))  
   
-    # 获取距离最近的 k 个样本的索引  
+    # 获取距离最近的 k 个样本的索引及其距离  
     k_indices = np.argsort(euclidean_distances)[:k]  
-      
-    # 获取最近邻样本的标签  
+    k_nearest_distances = euclidean_distances[k_indices]  
     k_nearest_labels = [labels[i] for i in k_indices]  
-      
-    # 找出出现次数最多的标签  
-    most_common = max(set(k_nearest_labels), key=k_nearest_labels.count)  
-      
-    return most_common 
+  
+    # 计算每个标签的加权得分  
+    label_votes = {}  
+    for i in range(k):  
+        label = k_nearest_labels[i]  
+        distance = k_nearest_distances[i]  
+        # 使用距离的倒数作为权重（或者可以使用其他加权方式，如距离的负指数）  
+        weight = 1.0 / distance  # 注意：这里使用距离的倒数可能会导致非常近的点权重过大，有时可能需要归一化  
+        if label in label_votes:  
+            label_votes[label] += weight  
+        else:  
+            label_votes[label] = weight  
+  
+    # 找出加权得分最高的标签  
+    most_common = max(label_votes, key=label_votes.get)  
+  
+    return most_common
 
 def load_dataset(directory):  
     features = []