Machine learning I'；我试图用Python从头开始创建KNearestNeighbors算法，但收到一个属性错误
错误是指第45行Machine learning I'；我试图用Python从头开始创建KNearestNeighbors算法，但收到一个属性错误,machine-learning,Machine Learning,错误是指第45行（prediction=my_classifier.predict（features_test））。但是，随后错误将继续执行属性error，该属性随后引用第41行（my_classifier=scrastykn（））。它声明对象没有“predict”属性： from sklearn import datasets from sklearn.model_selection import train_test_split from sklearn.neighbors import K
（prediction=my_classifier.predict（features_test））。但是，随后错误将继续执行属性error，该属性随后引用第41行（my_classifier=scrastykn（））
。它声明对象没有“predict”属性：
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score
from scipy.spatial import distance
def euc(a,b):
return distance.euclidean(a,b)
class ScrappyKNN():
def fit(self, features_train, labels_train):
self.features_train = features_train
self.labels_train = labels_train
def predict(self, features_test):
predictions = []
for item in features_test:
label = self.closest(item)
predictions.append(label)
return predictions
def closest(self, item):
best_dist = euc(item, self.features_train[0])
best_index = 0
for i in range(1, len(self.features_train)):
dist = euc(item, self.features_train[i])
if dist < best_dist:
best_dist = distance
best_index = i
return self.labels_train[best_index]
iris = datasets.load_iris()
features = iris.data
labels = iris.target
features_train, features_test, labels_train, labels_test = train_test_split(features, labels, test_size=.5)
my_classifier = ScrappyKNN()
# my_classifier = KNeighborsClassifier()
my_classifier.fit(features_train, labels_train)
prediction = my_classifier.predict(features_test)
print(accuracy_score(labels_test, prediction))
iris1 = [[7.1, 2.9, 5.3, 2.4]]
iris_prediction = my_classifier.predict(iris1)
# Conditional Code
if iris_prediction[0] == 0:
print("Setosa")
if iris_prediction[0] == 1:
print("Versicolor")
if iris_prediction[0] == 2:
print("Virginica")
从sklearn导入数据集
从sklearn.model\u选择导入列车\u测试\u拆分
从sklearn.neighbors导入KNeighborsClassifier
从sklearn.metrics导入准确性\u分数
从scipy.spatial导入距离
def euc（a、b）：
返回距离。欧几里德（a，b）
类%ykn（）：
def配合（自身、功能、标签）：
self.features\u train=features\u train
self.labels\u train=标签\u train
def预测（自测试、特性测试）：
预测=[]
对于功能测试中的项目：
标签=自我最近（项目）
预测。追加（标签）
回归预测
def（自我，项目）：
最佳距离=euc（项目、自身特征\u序列[0]）
最佳指数=0
对于范围内的i（1，len（自特性）
dist=euc（项目、自身特征\u序列[i]）
如果距离<最佳距离：
最佳距离=距离
最佳指数=i
返回自我标签列车[最佳索引]
iris=数据集。加载\u iris（）
特征=iris.data
标签=iris.target
特性测试、特性测试、标签测试、标签测试=特性测试拆分（特性、标签、测试大小=.5）
my_分类器=scrastykn（）
#my_分类器=KNeighborsClassifier（）
my\u classifier.fit（功能\u系列、标签\u系列）
预测=我的分类器。预测（特征测试）
打印（准确度\分数（标签\测试、预测））
iris1=[[7.1,2.9,5.3,2.4]]
iris\u prediction=我的分类器.predict（iris1）
#条件码
如果iris_预测[0]==0：
打印（“Setosa”）
如果iris_预测[0]==1：
打印（“彩色”）
如果iris_预测[0]==2：
印刷品（“维吉尼亚”）
我在课堂上做了类似的事情。我有K个最近邻的答案键，还有iris数据。也许这能给你一个更好的指导，让你知道你在做什么。如果您滚动到E部分，您将看到KNN。
我在课堂上做了类似的事情。我有K个最近邻的答案键，还有iris数据。也许这能给你一个更好的指导，让你知道你在做什么。如果您滚动到E部分，您将看到KNN。
弄清楚那是什么。。。除了间距问题（谢谢Gary！），我没有输入best_dist=dist，而是输入best_dist=dist。非常感谢您的投入！！亲爱的Gwenevere，您提供的信息，我将在我的下一个项目中使用，谢谢 弄清楚那是什么。。。除了间距问题（谢谢Gary！），我没有输入best_dist=dist，而是输入best_dist=dist。非常感谢您的投入！！亲爱的Gwenevere，您提供的信息，我将在我的下一个项目中使用，谢谢 你的缩进是错的。缩进def predict（…）
及其后的所有内容，向左缩进一个制表符宽度，然后再向左缩进一次def closest（…）
。谢谢你，Gary！顺便说一句，我叫伯特。你认为这就是我收到错误的原因吗？再次感谢，祝你和你的家人节日快乐！是的，因为您是在函数内部定义函数，而不是为类定义函数。嗨，Gary，，，我按照您的建议排列了代码；但是，我收到了其他错误，例如：prediction=my\u classifier.predict（features\u test）文件“C:\Users\BBrag\Desktop\Machine Learning App\flowers.py”的第45行“C:\Users\BBrag\Desktop\Machine Learning App\flowers.py”，predict label=self.closest（item）文件的第18行“C:\Users\BBrag\Desktop\Machine Learning App\flowers.py”，第28行，如果最近距离def predict（…）def closest（…）