Python 如何手工计算knn的精度？

我目前正在学习一些机器学习，我知道如何计算不同数据点之间的欧几里德距离；然而，我想知道是否有人知道如何手工计算准确度，以确定哪一个k值作为“k”的选择是最好的

我知道如何实现基本的python类来计算精度，但我也想学习如何手工实现。我试着用谷歌搜索它，但它们都只是显示python实现

例如，假设您只有8个数据点，4个红色和4个橙色；例如，我选择k=3，得到2个红色和1个橙色（因此新数据点被分类为红色）。现在我想计算这个K值的准确度？

准确度是：

精度=（TP+TN）/（TP+TN+FP+FN）

根据二进制分类，你的问题是。您可以将“红色”定义为正，或将“橙色”定义为正。但这在这里并不重要。假设我们将“red”定义为正类

然后根据上述公式：

• TN：表示真负片（分为橙色和真橙色的点）
• TP：表示真阳性（分为红色和真红色的点）
• FN：表示假阴性（分为橙色，但实际上是红色）
• FP：表示假阳性（分为红色，但实际上是橙色）

因此，您甚至可以简化公式，因为

TN+TP+FN+FP

是总点数，

TP+TN

是正确分类的点数（KNN正确预测）。

准确度为：

精度=（TP+TN）/（TP+TN+FP+FN）

根据二进制分类，你的问题是。您可以将“红色”定义为正，或将“橙色”定义为正。但这在这里并不重要。假设我们将“red”定义为正类

然后根据上述公式：

• TN：表示真负片（分为橙色和真橙色的点）
• TP：表示真阳性（分为红色和真红色的点）
• FN：表示假阴性（分为橙色，但实际上是红色）
• FP：表示假阳性（分为红色，但实际上是橙色）

---

因此，您甚至可以简化公式，因为

TN+TP+FN+FP

是总点数，

TP+TN

是正确分类的点数（KNN预测正确）。

因此，如果我的案例为K=3，则意味着我总共有3个值（不包括新添加的被分类为“红色”的数据点），而2个值为正，1个值为负。我取总点数（我假设是3分），然后。。。我迷失了方向：例如，P不知道如何从我的例子中知道“正确分类的点数”？不，k的选择没有直接影响。它只会影响预测。仅通过将预测值与真实值进行比较来计算精度。您需要“标记”数据来计算它。在您的示例中，您将计算一组点（验证集）中与每个点最近的3个点，并为每个点预测市长投票。然后你正确地计算出预测数/总数。你需要准确度来测试你的模型的质量。通过选择一个不在训练集中的点，然后搜索它的三个最近邻点，通过市长投票决定它应该在哪一类，然后将该点计算为正确分类（TP或TN）/错误分类（FN或FP），并对测试集中的所有点执行此操作，然后计算（正确分类的num）/训练集中的点数。是的，该点数为黑色。这就是你的模型所预测的。但是要测试你的模型，你需要让它预测一个点，你知道实际的“颜色”是什么，只有这样你才能决定它是否被正确分类——没有标签，你无法分辨它是TP、TN、FP还是FN，因此也不能检查你的模型是否能很好地预测你的数据。啊，我明白了！非常感谢。因此，如果我的情况是K=3，这意味着我总共有3个值（不包括被分类为“红色”的新添加的数据点），而2个值为正，1个值为负。我取总点数（我假设是3分），然后。。。我迷失了方向：例如，P不知道如何从我的例子中知道“正确分类的点数”？不，k的选择没有直接影响。它只会影响预测。仅通过将预测值与真实值进行比较来计算精度。您需要“标记”数据来计算它。在您的示例中，您将计算一组点（验证集）中与每个点最近的3个点，并为每个点预测市长投票。然后你正确地计算出预测数/总数。你需要准确度来测试你的模型的质量。通过选择一个不在训练集中的点，然后搜索它的三个最近邻点，通过市长投票决定它应该在哪一类，然后将该点计算为正确分类（TP或TN）/错误分类（FN或FP），并对测试集中的所有点执行此操作，然后计算（正确分类的num）/训练集中的点数。是的，该点数为黑色。这就是你的模型所预测的。但是要测试你的模型，你需要让它预测一个点，你知道实际的“颜色”是什么，只有这样你才能决定它是否被正确分类——没有标签，你无法分辨它是TP、TN、FP还是FN，因此也不能检查你的模型是否能很好地预测你的数据。啊，我明白了！非常感谢。