底特律電動汽車是由位於底特律的Anderson電動汽車公司生產的一款純電動汽車品牌，底特律電動汽車品牌在2008年的時候正式回歸市場。  
  雖然旗下的SP:01車型還沒有真正的上市銷售，但是根據消息稱，該品牌的電動汽車已經計畫在2019年將推出兩款全新的純電動車型。有趣的是，與特斯拉一樣，它推出的首款進軍汽車市場的車型是一款純電動車型；另外，其SP:01也是在Lotus Elise車型的基礎上打造而來的純電動車型。但是底特律電動汽車卻極力與特斯拉劃清界限，聲稱他們並不是步特斯拉的後塵。   在其SP:01車型正式發佈之後，近日底特律電動汽車已經開始投入另外兩款全新的純電動車型的研發工作，一款為SUV車型；一款為轎車車型。但是，他們同特斯拉有著較大的區別。底特律電動汽車聲稱，在其新款電動車型推向市場的同時還將實現年產50000到60000的產量目標。   文章來源：鳳凰汽車

本站聲明:網站內容來源於EnergyTrend https://www.energytrend.com.tw/ev/,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※台北網頁設計公司這麼多，該如何挑選?? 網頁設計報價省錢懶人包"嚨底家"

※網頁設計公司推薦更多不同的設計風格，搶佔消費者視覺第一線

※想知道購買電動車哪裡補助最多?台中電動車補助資訊懶人包彙整

電動車市場逐漸步上正軌，先前許多大動作要進入電動車領域，喊出或暗示要打造電動車的電子大廠卻開始打退堂鼓。在諸多電子大廠的退卻潮下，Sony 千山萬水我獨行，推出 Vision-S 電動概念車，是「人棄我取」的逆行觀念，還是只是「項莊舞劍，意在沛公」？

以蘋果（Apple）來說，先前曾經傳出「泰坦計畫」（Project Titan）要在 2019 年推出自家電動車，2019 年都過去了，卻無消無息，事實上蘋果在幾年前就改換電動車領域的發展方向，雖然蘋果仍不斷在電動車領域申請專利，但是專利大多集中在資訊娛樂系統，以及自動駕駛軟體，而非打造一輛完整的車。

英國吸塵器大廠戴森（Dyson），原本對電動車也有雄圖大略，2015 年購併固態電池新創事業 Sakti3 後，原本有 25 億英鎊的大計畫，包括 2018 年在新加坡建廠，以及打造電動車，到 2019 年 10 月，戴森打了退堂鼓，表示儘管研發極盡努力，卻無法打造出商業可獲利的車款。

蘋果與戴森的退卻，顯示一個基本問題，那就是即使電動車跳過最複雜的內燃機引擎部分，打造汽車仍是相當高技術門檻的事，並非藉由電子方面的專長就能打造電動車。要打造一輛能熬過日曬雨淋下雪，在路上經歷 15 年的車輛，是相當複雜且需要工程技術的任務，汽車大廠數十年來精研於此，就算排除內燃機引擎部分，仍非一朝一夕可超越。

Google 於 2016 年將自駕車部門獨立成為 Waymo，Waymo 也放棄自己打造自駕車，2019 年 Waymo 在亞利桑那州開始試營運自駕計程車，不過使用的是第三方車廠的車改造，克萊斯勒（Chrysler）Pacifica，以及捷豹（Jaguar）I-Pace，而非自行打造。

自動駕駛的軟硬體技術方面，科技大廠顯然仍興致高昂、摩拳擦掌，但要打造整輛車，這個主意從來都不現實。一開始科技大廠看到電動車能跳脫汽車業最困難尖端的內燃機引擎技術，替代為電子電機大廠熟悉的馬達與鋰電池，見獵心喜，認為這是打入長期由車廠壟斷的市場的良機，但很快就發現，汽車市場早已是割喉戰，要跳進去規模量產汽車，跟著割喉，並不是個好主意。

科技大廠打退堂鼓的根本原因，在於打造整輛車，毛利率遠低於軟體與消費性電子產品，這些原本位於高毛利產業的大廠，稍事研究後，就對進軍「茅山道士」（毛利 3%~4%）產業敬謝不敏，不如安於於當軟體技術與關鍵硬體供應商，因此蘋果樂於打造車用資訊娛樂系統軟體平台，而戴森樂於供應電池，但不想做整輛車。

此外，割喉戰還會越來越嚴重，原本只有特斯拉（Tesla）領頭開拓電動車市場，如今幾乎主要車廠都已經大力投入，而特斯拉本身也已經往平價車款發展，另一方面，中國廠商磨刀霍霍，想在中國低價電池廠的產能撐腰下積極投入，很快電動車市場就會如傳統汽車市場「割喉割到斷」，而且恐怕比過去更激烈。

中國本身 IT 巨頭，也採用投資的方式加入電動車市場，而非自身投入打造電動車，如騰訊投資和諧富騰、阿里巴巴投資小鵬汽車。連中國巨頭企業都迴避這個紅海戰場，那麼也就難怪歐美大廠從本來有興趣，改為退避三舍了。

千山萬水，Sony 獨行？

此股退卻潮中，唯一逆向而行的，大概只有日本電子大廠 Sony。2020 年 CES，Sony 宣布 Vision-S 概念電動車原型，車內車外內建 33 種不同感測器，車內資訊娛樂系統有好幾個寬螢幕顯示器、360 度環場音效、常時連線（always-on connectivity），其中部分技術來自音響大廠博世（Bosch），以及黑莓（BlackBerry）的行動無線通訊技術。此外，Sony 更打造全新設計的電動車平台，來自加拿大汽車零件供應大廠麥格納（Magna），不僅支援轎車也支援休旅車。

Vision-S 概念電動車相當有未來感，不過產業界對 Vision-S 最想知道的是：Sony 與麥格納，真的打算將這款車規模生產商業上市嗎？還是只是藉此展示車用平台及相關零組件、感測器、軟硬體技術？發表會當天，Sony 電動車發表時間並不長，且還強調 Sony 以影像感測器部門積極投資自動駕駛相關技術，包括強化原本的 CMOS，以及發展光雷達（LIDAR）、飛時測距鏡頭（Time-of-flight camera），以及複合多種感測器強化對環境的辨認能力。

就此看來， Sony 與麥格納仍是定位自身為平台與關鍵零組件供應商，Vision-S 概念電動車較可能只是為了展示所有想推銷給各大車廠的相關技術，而非真要把 Vision-S 掛上 Sony 品牌上市，否則，恐怕先要遭受全球車廠客戶抵制，得不償失。

無論如何，至少 Sony 還敢推出概念電動車原型，成為電子大廠進攻電動車市場的最後勇者，到底是「項莊舞劍，意在沛公」，最後跟其他電子大廠一樣只當車用平台零組件與軟硬體供應商，還是真會自己跳下去製造電動車，就看 Sony 有沒有豪賭的勇氣了。

（合作媒體：。首圖為Vision-S 電動概念車，來源：）

本站聲明:網站內容來源於EnergyTrend https://www.energytrend.com.tw/ev/,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※台北網頁設計公司這麼多，該如何挑選?? 網頁設計報價省錢懶人包"嚨底家"

※網頁設計公司推薦更多不同的設計風格，搶佔消費者視覺第一線

※想知道購買電動車哪裡補助最多?台中電動車補助資訊懶人包彙整

在6月6日舉辦的股東會議上，Tesla創辦人Elon Musk提到將在全球建至少10座到20座超級電池工廠（Gigafactory）以供應市場需求。

過去，Elon Musk曾提到以全球對電動車和儲能電池的需要，需要100座Gigafactory來應付市場需求。外媒指出，Elon Musk這番發言也暗示Tesla未來將佔全球10%的儲能和電動車的產能。

Tesla於美國內華達州的Gigafactory 1目前仍持續建造並且已進行鋰電池生產，Elon Musk於股東會議中提到，當Gigafactory 1產能全開時，其生產的鋰電池數量將會比全球其餘鋰電池工廠生產的總和還要多。

與Panasonic的合作使Tesla在生產池上有極大的優勢，其最終目標是生產先進且低價的鋰電池，同時Tesla視Gigafactory為一個「巨型機器」，會不斷改善和優化。

至於目前未來規劃中的3、4座Gigafactory的廠址還未定案，日前Elon Musk表示，2017年底將宣布它們的落腳處。由於Tesla位於加州費利蒙的工廠生產線已滿載，因此其中一座未來的Gigafactory將會用來生產新型SUV Model Y，其生產線也會於其他Gigafactory不同。

（圖片來源：Tesla Club Belgium via Flickr CC2.0）

本站聲明:網站內容來源於EnergyTrend https://www.energytrend.com.tw/ev/,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※台北網頁設計公司這麼多，該如何挑選?? 網頁設計報價省錢懶人包"嚨底家"

※網頁設計公司推薦更多不同的設計風格，搶佔消費者視覺第一線

※想知道購買電動車哪裡補助最多?台中電動車補助資訊懶人包彙整

電動車爽領補貼、減免稅率的好日子快要結束？美國不少基礎建設早該翻修，各州為了尋找經費焦頭爛額，紛紛把腦筋動到電動車頭上。今(2017)年美國至少已有五州通過對電動車徵稅的法案，當中甚至包括對環保議題最為熱衷的加州。

CNBC 3日報導(見此)，美國包括加州在內的不少州，已在今年通過對電動車加稅，一年徵收100-200美元不等。加州州長布朗(Jerry Brown)在今年春季通過法案時表示，安全和順暢的道路，不但能使加州成為更佳的居住地，也會提振州內經濟活動，增加數千個工作機會。

加州的決定，顯示市場對電動車的心態已有轉變。美國不少州原本都對環保汽車相當友善，提出減稅補貼等獎勵措施，鼓勵駕駛人換車。如今各州財政緊繃，道路又坑坑巴巴、亟待修整，電動車便成了眾矢之的。自2013年以來，美國24州、華盛頓哥倫比亞特區都已決定調高電動車的燃料稅(gas tax)，其中加州把燃料稅調高12美分，以支應524億美元道路維修暨壅塞紓解方案的半數費用。

環保人士擔憂，這些費用可能會壓抑電動車的銷售量。不僅如此，購買電動車所享有的7,500美元聯邦減稅優惠，也會在電動車賣出20萬輛後遭到解除。根據汽車銷售暨資訊網站Edmunds.com估計，電動車對整體汽車市場的佔有率目前僅有0.6%，銷售量成長率則從2013年的227%，驟降至2016年的5%。

Barronˋs Next 5月9日報導，Edmunds當時就悲觀預測(見此)，電動車聯邦減稅優惠終結將摧毀美國電動車車市。當局規定，車商的前20萬名客戶，可以獲得補助，如今特斯拉(Tesla)已售出將近10萬輛電動車，估計明年優惠就會結束。

特斯拉平價車款「Model 3」定價3.5萬美元，扣掉7,500美元補貼之後，買家等於只要付2.75萬美元，差距極為明顯。特斯拉想打入大眾車市，必須對上2萬美元的汽油車和油電混合車，少了優惠之後，兩者價差更為懸殊。

以美國喬治亞州為例，該州取消購買電動車的5,000美元稅務優惠之後，買氣急凍。有稅務優惠時，喬治亞州佔全美電動車銷售的17%；取消之後，銷售比重驟降至2%。Edmunds據此推論，補助結束後，電動車市將崩盤。Edmunds報告指出，高檔電動車較不受稅務優惠影響，但是一般買家會在意補貼。補助終結後，電動車廠必須大砍售價，才能維持買氣。

（本文內容由授權使用。圖片出處：public domain CC BY 0）

本站聲明:網站內容來源於EnergyTrend https://www.energytrend.com.tw/ev/,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※台北網頁設計公司這麼多，該如何挑選?? 網頁設計報價省錢懶人包"嚨底家"

※網頁設計公司推薦更多不同的設計風格，搶佔消費者視覺第一線

※想知道購買電動車哪裡補助最多?台中電動車補助資訊懶人包彙整

K-近鄰算法

一、算法概述

（1）採用測量不同特徵值之間的距離方法進行分類

• 優點： 精度高、對異常值不敏感、無數據輸入假定。
• 缺點： 計算複雜度高、空間複雜度高。

（2）KNN模型的三個要素

kNN算法模型實際上就是對特徵空間的的劃分。模型有三個基本要素：距離度量、K值的選擇和分類決策規則的決定。

• 距離度量

  距離定義為：
  \[L_p(x_i,x_j)=\left( \sum^n_{l=1} |x_i^{(l)} – x_j^{(l)}|^p \right) ^{\frac{1}{p}}\]
  一般使用歐式距離：p = 2的個情況
  \[L_p(x_i,x_j)=\left( \sum^n_{l=1} |x_i^{(l)} – x_j^{(l)}|^2 \right) ^{\frac{1}{2}}\]

• K值的選擇

  一般根據經驗選擇，需要多次選擇對比才可以選擇一個比較合適的K值。

  如果K值太小，會導致模型太複雜，容易產生過擬合現象，並且對噪聲點非常敏感。

  如果K值太大，模型太過簡單，忽略的大部分有用信息，也是不可取的。

• 分類決策規則

  一般採用多數表決規則，通俗點說就是在這K個類別中，哪種類別最後就判別為哪種類型

二、實施kNN算法

2.1 偽代碼

• 計算法已經類別數據集中的點與當前點之間的距離
• 按照距離遞增次序排序
• 選取與但前點距離最小的k個點
• 確定前k個點所在類別的出現頻率
• 返回前k個點出現頻率最高的類別作為當前點的預測分類

2.2 實際代碼

def classify0(inX, dataSet, labels, k):
    dataSetSize = dataSet.shape[0]
    diffMat = tile(inX, (dataSetSize,1)) - dataSet
    sqDiffMat = diffMat**2
    sqDistances = sqDiffMat.sum(axis=1)
    distances = sqDistances**0.5
    sortedDistIndicies = distances.argsort()     
    classCount={}          
    for i in range(k):
        voteIlabel = labels[sortedDistIndicies[i]]
        classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
    sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
    return sortedClassCount[0][0]

三、實際案例：使用kNN算法改進約會網站的配對效果

我的朋友阿J一直使用在線約會軟件尋找約會對象，他曾經交往過三種類型的人：

• 不喜歡的人
• 感覺一般的人
• 非常喜歡的人

步驟：

• 收集數據
• 準備數據：也就是讀取數據的過程
• 分析數據：使用Matplotlib畫出二維散點圖
• 訓練算法
• 測試算法
• 使用算法

3.1 準備數據

樣本數據共有1000個，3個特徵值，共有4列數據，最後一列表示標籤分類（0：不喜歡的人；1：感覺一般的人；2：非常喜歡的人）

特徵

• 每年獲得的飛行常客里程數
• 玩視頻遊戲所好的時間百分比
• 每周消費的冰淇淋公斤數

部分數據如下：

40920   8.326976    0.953952    3
14488   7.153469    1.673904    2
26052   1.441871    0.805124    1
75136   13.147394   0.428964    1
38344   1.669788    0.134296    1
72993   10.141740   1.032955    1
35948   6.830792    1.213192    3
42666   13.276369   0.543880    3
67497   8.631577    0.749278    1
35483   12.273169   1.508053    3

讀取數據（讀取txt文件）

def file2matrix(filename):
    fr = open(filename)
    numberOfLines = len(fr.readlines())         #get the number of lines in the file
    returnMat = zeros((numberOfLines,3))        #prepare matrix to return
    classLabelVector = []                       #prepare labels return   
    fr = open(filename)
    index = 0
    for line in fr.readlines():
        line = line.strip()
        listFromLine = line.split('\t')
        returnMat[index,:] = listFromLine[0:3]
        classLabelVector.append(int(listFromLine[-1]))
        index += 1
    return returnMat,classLabelVector

3.2 分析數據：使用Matplotlib創建散點圖

初步分析

import matplotlib
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']

fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(datingDataMat[:,1], datingDataMat[:,2])
ax.set_xlabel("玩視頻遊戲所耗時間百分比")
ax.set_ylabel("每周消費的冰淇淋公斤數")
plt.show()

因為有三種類型的分類，這樣看的不直觀，我們添加以下顏色

fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(datingDataMat[:,1], datingDataMat[:,2])
ax.scatter(datingDataMat[:,1], datingDataMat[:,2], 15.0*array(datingLabels), 15.0*array(datingLabels))
ax.set_xlabel("玩視頻遊戲所耗時間百分比")
ax.set_ylabel("每周消費的冰淇淋公斤數")
plt.show()

通過都多次的嘗試后發現，玩遊戲時間和冰淇淋這個兩個特徵關係比較明顯

具體的步驟：

• 分別將標籤為1,2,3的三種類型的數據分開
• 使用matplotlib繪製，並使用不同的顏色加以區分

datingDataType1 = array([[x[0][0],x[0][1],x[0][2]] for x in zip(datingDataMat,datingLabels) if x[1]==1])
datingDataType2 = array([[x[0][0],x[0][1],x[0][2]] for x in zip(datingDataMat,datingLabels) if x[1]==2])
datingDataType3 = array([[x[0][0],x[0][1],x[0][2]] for x in zip(datingDataMat,datingLabels) if x[1]==3])
                   

fig, axs = plt.subplots(2, 2, figsize = (15,10))
axs[0,0].scatter(datingDataType1[:,0], datingDataType1[:,1], s = 20, c = 'red')
axs[0,1].scatter(datingDataType2[:,0], datingDataType2[:,1], s = 30, c = 'green')
axs[1,0].scatter(datingDataType3[:,0], datingDataType3[:,1], s = 40, c = 'blue')
type1 = axs[1,1].scatter(datingDataType1[:,0], datingDataType1[:,1], s = 20, c = 'red')
type2 = axs[1,1].scatter(datingDataType2[:,0], datingDataType2[:,1], s = 30, c = 'green')
type3 = axs[1,1].scatter(datingDataType3[:,0], datingDataType3[:,1], s = 40, c = 'blue')
axs[1,1].legend([type1, type2, type3], ["Did Not Like", "Liked in Small Doses", "Liked in Large Doses"], loc=2)
axs[1,1].set_xlabel("玩視頻遊戲所耗時間百分比")
axs[1,1].set_ylabel("每周消費的冰淇淋公斤數")

plt.show()

3.3 準備數據：數據歸一化

通過上面的圖形繪製，發現三個特徵值的範圍不一樣，在使用KNN進行計算距離的時候，數值大的特徵值就會對結果產生更大的影響。

數據歸一化：就是將幾組不同範圍的數據，轉換到同一個範圍內。

公式： newValue = (oldValue – min)/(max – min)

def autoNorm(dataSet):
    minVals = dataSet.min(0) # array([[1,20,3], [4,5,60], [7,8,9]])   min(0) = [1, 5, 3]
    maxVals = dataSet.max(0)
    ranges = maxVals - minVals
    normData = zeros(shape(dataSet))
    m = dataSet.shape[0]
    normData = (dataSet - tile(minVals, (m,1)))/tile(ranges,(m,1))
    return normData

3.4 測試算法

我們將原始樣本保留20%作為測試集，剩餘80%作為訓練集

def datingClassTest():
    hoRatio = 0.20  
    datingDataMat,datingLabels = file2matrix('datingTestSet2.txt')       #load data setfrom file
    normMat = autoNorm(datingDataMat)
    m = normMat.shape[0]
    numTestVecs = int(m*hoRatio)
    errorCount = 0.0
    for i in range(numTestVecs):
        classifierResult = classify0(normMat[i,:],normMat[numTestVecs:,:],datingLabels[numTestVecs:],3)
        if (classifierResult != datingLabels[i]): 
            errorCount += 1.0
    print ("the total error rate is: %f" % (errorCount/float(numTestVecs)))
    print (errorCount)

運行結果

the total error rate is: 0.080000
16.0

四、源代碼

from numpy import *
import operator
from os import listdir

import matplotlib
import matplotlib.pyplot as plt
    
## KNN function
def classify0(inX, dataSet, labels, k):
    dataSetSize = dataSet.shape[0]
    diffMat = tile(inX, (dataSetSize,1)) - dataSet
    sqDiffMat = diffMat**2
    sqDistances = sqDiffMat.sum(axis=1)
    distances = sqDistances**0.5
    sortedDistIndicies = distances.argsort()     
    classCount={}          
    for i in range(k):
        voteIlabel = labels[sortedDistIndicies[i]]
        classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
    sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
    return sortedClassCount[0][0]

# read txt data
def file2matrix(filename):
    fr = open(filename)
    numberOfLines = len(fr.readlines())         #get the number of lines in the file
    returnMat = zeros((numberOfLines,3))        #prepare matrix to return
    classLabelVector = []                       #prepare labels return   
    fr = open(filename)
    index = 0
    for line in fr.readlines():
        line = line.strip()
        listFromLine = line.split('\t')
        returnMat[index,:] = listFromLine[0:3]
        classLabelVector.append(int(listFromLine[-1]))
        index += 1
    return returnMat,classLabelVector


def autoNorm(dataSet):
    minVals = dataSet.min(0) # array([[1,20,3], [4,5,60], [7,8,9]])   min(0) = [1, 5, 3]
    maxVals = dataSet.max(0)
    ranges = maxVals - minVals
    normData = zeros(shape(dataSet))
    m = dataSet.shape[0]
    normData = (dataSet - tile(minVals, (m,1)))/tile(ranges,(m,1))
    return normData
    
    
    
    
def drawScatter1(datingDataMat, datingLabels):
    plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']

    fig = plt.figure()
    ax = fig.add_subplot(111)
    ax.scatter(datingDataMat[:,1], datingDataMat[:,2])
    ax.set_xlabel("玩視頻遊戲所耗時間百分比")
    ax.set_ylabel("每周消費的冰淇淋公斤數")
    plt.show()
    
def drawScatter2(datingDataMat, datingLabels):
    fig = plt.figure()
    ax = fig.add_subplot(111)
    ax.scatter(datingDataMat[:,1], datingDataMat[:,2])
    ax.scatter(datingDataMat[:,1], datingDataMat[:,2], 15.0*array(datingLabels), 15.0*array(datingLabels))
    ax.set_xlabel("玩視頻遊戲所耗時間百分比")
    ax.set_ylabel("每周消費的冰淇淋公斤數")
    plt.show()
    
    
def drawScatter3(datingDataMat, datingLabels):
    datingDataType1 = array([[x[0][0],x[0][1],x[0][2]] for x in zip(datingDataMat,datingLabels) if x[1]==1])
    datingDataType2 = array([[x[0][0],x[0][1],x[0][2]] for x in zip(datingDataMat,datingLabels) if x[1]==2])
    datingDataType3 = array([[x[0][0],x[0][1],x[0][2]] for x in zip(datingDataMat,datingLabels) if x[1]==3])

    fig, axs = plt.subplots(2, 2, figsize = (15,10))
    axs[0,0].scatter(datingDataType1[:,0], datingDataType1[:,1], s = 20, c = 'red')
    axs[0,1].scatter(datingDataType2[:,0], datingDataType2[:,1], s = 30, c = 'green')
    axs[1,0].scatter(datingDataType3[:,0], datingDataType3[:,1], s = 40, c = 'blue')
    type1 = axs[1,1].scatter(datingDataType1[:,0], datingDataType1[:,1], s = 20, c = 'red')
    type2 = axs[1,1].scatter(datingDataType2[:,0], datingDataType2[:,1], s = 30, c = 'green')
    type3 = axs[1,1].scatter(datingDataType3[:,0], datingDataType3[:,1], s = 40, c = 'blue')
    axs[1,1].legend([type1, type2, type3], ["Did Not Like", "Liked in Small Doses", "Liked in Large Doses"], loc=2)
    axs[1,1].set_xlabel("玩視頻遊戲所耗時間百分比")
    axs[1,1].set_ylabel("每周消費的冰淇淋公斤數")

    plt.show()
    
    
    
def datingClassTest():
    hoRatio = 0.20  
    datingDataMat,datingLabels = file2matrix('datingTestSet2.txt')       #load data setfrom file
    normMat = autoNorm(datingDataMat)
    m = normMat.shape[0]
    numTestVecs = int(m*hoRatio)
    errorCount = 0.0
    for i in range(numTestVecs):
        classifierResult = classify0(normMat[i,:],normMat[numTestVecs:,:],datingLabels[numTestVecs:],3)
        if (classifierResult != datingLabels[i]): 
            errorCount += 1.0
    print ("the total error rate is: %f" % (errorCount/float(numTestVecs)))
    print (errorCount)
    
    
datingDataMat, datingLabels = file2matrix("datingTestSet2.txt")

drawScatter1(datingDataMat, datingLabels)
drawScatter2(datingDataMat, datingLabels)
drawScatter3(datingDataMat, datingLabels)
 
datingClassTest()

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理【其他文章推薦】

※台北網頁設計公司這麼多，該如何挑選?? 網頁設計報價省錢懶人包"嚨底家"

※網頁設計公司推薦更多不同的設計風格，搶佔消費者視覺第一線

※想知道購買電動車哪裡補助最多?台中電動車補助資訊懶人包彙整