k-近邻算法(kNN)采用测量不同特征值之间的距离方法进行分类
优点:精度高、对异常值不敏感、无数据输入假定。
缺点:计算复杂度高、空间复杂度高。
适用数据范围:数值型和标称型。
工作原理:训练样本集的每条数据包含n个特征值和一个指明所属分类的标签,输入待处理数据后,将新数据的每个特征与样本集中数据对应的特征进行比较,提取k个最相似的数据,k条数据中出现次数最多的分类,即为新数据的推测分类(通常k是不大于20的整数),这就是k-近邻算法中k的出处。
例如:
训练样本集 特征一 特征二 分类 1.0 1.1 A 1.0 1.0 A 0 0 B 0 0.1 B
(由于人类大脑限制,只能可视化处理三维以下的事务,因此为了实现简单的可视化,这里的数据只选择两个特征)待测数据:(20,80)目标:分类
第一步 准备:使用python导入数据创建python模块kNN.py:
def createDataSet(): group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]]) labels = ['A','A','B','B'] return group, labels
第二步 k-近邻算法:kNN模块中加入classify0()函数: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.iteritems(), key=operator.itemgetter(1), reverse=True) return sortedClassCount[0][0]
inX:待测数据向量dataSet:训练样本数据集labels: 标签向量k:最近邻居的数目标签向量的元素数目和矩阵dataSet的行数相同,程序使用欧式距离公式计算xA和xB之间的距离:
如果数据集存在4个特征值,则点(4,0,0,1)与(7,6,9,4)之间的距离为:
结果应该为B,一个简单的分类器构造完毕。