KNN算法预测鸢尾花的种类，源码以及数据

使用KNN算法预测鸢尾花的种类，压缩文件中包含源码、训练数据以及测试数据

import numpy as np
import operator

def trainingFile2Matrix（filename）:
    “““
    函数说明：
        处理训练数据集
    :param filename:
        训练数据文件
    :return:
        returnMat - 处理得到的每一个训练样本的数据集合
        returnLabel - 每一个训练样本所属的类别标签集合
    “““
    file = open（filename）
    content = file.readlines（）

    lineCount = len（content）

    returnMat = np.zeros（（lineCount 4））
    returnLabel = []

    index = 0

    for line in content:
        line = line.strip（）
        example = line.split（‘‘）

        returnMat[index : ] = example[0 : 4]
        index += 1
        returnLabel.append（example[4]）

    return returnMat returnLabel


def testFile2Matrix（filename）:
    “““
    函数说明：
        处理测试数据集
    :param filename:
        测试数据文件
    :return:
        returnMat - 处理得到的每一个测试样本的数据集合
    “““
    file = open（filename）

    content = file.readlines（）

    lineCount = len（content）

    returnMat = np.zeros（（lineCount 4））

    index = 0

    for line in content:
        line = line.strip（）
        example = line.split（‘‘）
        returnMat[index : ] = example[0 : 4]
        index += 1

    return returnMat



def calculateDistance（train_example test_example example_length）:
    “““
    函数说明：
        计算训练样本和测试样本之间的欧几里德距离
    :param train_example:
        训练样本的数据
    :param test_example:
        测试样本的数据
    :param example_length:
        样本的属性长度
    :return:
        distance - 训练样本和测试样本之间的欧几里德距离
    “““
    distance = 0.0
    for i in range（example_length）:
        distance += pow（train_example[i] - test_example[i] 2）

    return distance

def get_K_Neighbors（trainingSet trainingLabel test_example k）:
    “““
    函数说明：
        取得与测试样本距离最近的k个训练样本
    :param trainingSet:
        训练样本数据集
    :param trainingLabel:
        训练样本标签集
    :param test_example:
        测试样本
    :param k:
        即参数k
    :return:
        kNeighbors - 与测试样本最近的k个训练样本的集合
    “““
    length = len（test_example）
    distances = []

    for i in range（len（trainingSet））:
        dis = calculateDistance（trainingSet[i] test_example length）
        distances.append（（trainingLabel[i] dis））

    distances.sort（key=operator.itemgetter（1））

    kNeighbors = []
    for i in range（k）:
        kNeighbors.append（distances[i][0]）

    return kNeighbors


def getReasult（kNeighbors）:
    “““
    函数说明：
        取得与测试样本距离最近的k个训练样本中的最公共类别
    :param kNeighbors:
        与测试样本最近的k个训练样本的集合
    :return:
        sortedLabel[0][0] - 预测该测试样本所属的类别
    “““
    classLabel = {}
    for i in range（len（kNeighbors））:
        temp = kNeighbors[i]
        if temp in classLabel:
            classLabel[temp] += 1
        else:
            classLabel[temp] = 1

    sortedLabel = sorted（classLabel.items（） key=operator.itemgetter（1） reverse=True）
    return sortedLabel[0][0]

def getAccuracy（testLabel predictions）:
    “““
    函数说明：
        计算预测的准确率
    :param testLabel:
        测试数据所属的真实类别
    :param predictions:
        预测测试数据所属的类别
    :return:
        （cnt / float（len（testLabel））） * 100.0 - 准确率
    “““
    cnt = 0

 

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2018-10-19 13:25  KNN\
     文件        6148  2018-10-19 13:24  KNN\.DS_Store
     目录           0  2018-10-19 13:25  __MACOSX\
     目录           0  2018-10-19 13:25  __MACOSX\KNN\
     文件         120  2018-10-19 13:24  __MACOSX\KNN\._.DS_Store
     文件        3760  2016-09-26 20:50  KNN\train.txt
     文件         228  2016-09-26 20:50  __MACOSX\KNN\._train.txt
     文件         508  2017-09-20 09:25  KNN\test.txt
     文件         228  2017-09-20 09:25  __MACOSX\KNN\._test.txt
     文件        5761  2018-09-20 14:48  KNN\KNN.py
     文件         176  2018-09-20 14:48  __MACOSX\KNN\._KNN.py