实现k临近算法

欧式距离

给定一个训练数据集，对新的输入实例，计算两者之间的距离，与k个最小距离的标签进行分类。通俗来说即是点到直线的衍生，点即实例；直线即分类器。

import numpy as np
class knn:
   def knn(inX, dataSet, labels, k):
    '''
    :param inX:  输入向量
    :param dataSet:  数据集的向量
    :param labels:  输入实例的标签
    :param k:  输出预测的标签
    :return sortedClassCount[0][0] 输出预测的标签
    '''    
    #inX - dataSet
    a = dataSet.shape[0]                    
    b = np.tile(inX, (a, 1)) - dataSet    
    c = b ** 2
    d = c.sum(axis=1)
    e = d ** 0.5
    classCount = {}                        
    for i in range(k):
     f = labels[e[i]]
     classCount[f]= classCount.get(f, 0) + 1
    sortedClassCount = sorted(classCount.iteritems(), key = operater.itemgetter(1), reverse = True)
  return sortedClassCount[0][0]