Python中实现KNN、余弦相似度与Logistic回归的推荐与分类应用

在本篇文章中，我们将探讨Python中的KNN算法、余弦相似度和Logistic回归的简单实现，主要通过这几种方法完成推荐和分类的任务。

推荐系统：使用余弦相似度（Cosine Similarity）根据类型和总评分在数据集中推荐一些电影。项目实现包括一个C#/WPF制作的简单GUI界面，并支持命令行参数运行Python脚本以读取推荐结果。

示例：

输入电影名称：The Dark Knight

输出：

• 电影：Batman Begins | 评分：9.3

• 电影：Gone Girl | 评分：9.0

• 电影：A Separation | 评分：8.7

分类任务：通过k-最近邻算法(KNN)将电影分类为不同的类型。系统会提出一些问题，用户可据此进行选择来帮助分类。例如：

示例：

提问：在这部电影中有亲吻场景吗？

用户回答：是

通过这种互动问答方式，系统可逐步判断出适合的电影类型。

Logistic回归应用：在特征数据上使用Logistic回归来训练并预测电影的成功概率，为电影分类提供辅助。

实现的代码结构简洁、逻辑清晰，适合初学者。