KNN邻近算法

来自于百度百科

最近把算法归纳，所以会出一个算法系列

邻近算法，或者说K最近邻（KNN,K-NearestNeighbor)分类算法

K最近邻，就是K个最近的邻居的意思，说的是每个样本都可以用它最接近的K个邻居来代表

KNN算法的核心思想是如果一个样本在特征空间中的K的最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待样本所属的类别。KNN在类别决策时，只与极少量的相邻样本有关。由于KNN方法主要靠周围有限的邻近样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，KNN较其他方法更为合适。

用途：用于分类，对未知事物的识别

算法流程：

1、准备数据，对数据进行预处理

2、选择合适的数据结构存储训练数据和测试元祖

3、设定参数，如K

4、维护一个大小为K的按距离由大到小的优先级队列，用于存储最近邻元祖。随机从训练元祖中选取K个作为初始的最近邻元祖，分别计算测试元祖到这K个元祖的距离，将训练元祖标号和距离存入优先级队列

5、遍历训练元祖集，计算当前训练元祖与测试元祖的距离，将所得距离L与优先级队列中的最大距离LMax

6、进行比较。若L>LMax,则舍弃该元祖，遍历下一个元祖。若L<LMax，删除优先级队列中最大距离的元祖，将当前训练元祖存入优先级队列

7、遍历完毕，计算优先级队列中K个元祖的多数类，并将其作为测试元祖的类别。

8、测试元祖集测试完毕后计算误差率，继续设定不同的K值重新进行训练，最后取误差率最小的K值

优点：

1、简单，易于理解，易于实现，无需估计参数，无需训练

2、适合对稀有事件进行分类

3、特别适合对多分类问题（multi-modal，对象具有多个类别标签），KNN比SVM的表现要好

缺点：

1、当样本不平衡时，如一个类的样本容量很大，而其他类样本容量很小时，有可能导致当输入一个新样本时，该样本的K个邻居中大容量类的样本占多数。该算法只计算“最近的”邻居样本，某一类的样本数量很大，那么或者这类样本并不接近目标样本，或者这类样本很靠近目标样本，无论怎样，数量并不影响运行结果

2、计算量较大，因为对每一个待分类的文本都要计算它到全体已知样本的距离，才能求得K个最邻近点。

3、可理解性差，无法给出像决策树那样的规则

改进策略：

针对以上算法的不足，算法的改进方向主要分成了分类效率和分类效果两方面

分类效率：事先对样本属性进行约简，删除对分类结果影响较小的属性，快速的得出分类样本的类别。该算法比较适合于样本容量比较大的类域的自动分类，而那些样本容量较小的类域采用这种算法比较容易产生误分。

分类效果：采用权值的方法（和该样本距离小的邻居权值大）来改进，Han等人于2002年曾尝试利用贪心法，针对文件分类实做可调整权重的K最近邻居法WAKNN（weighted adjusted k nearest neighbor），以促进分类效果；而Li等人于2004年提出由不同分类的文件本身有数量上有差异，因此也应该按照训练集合中各种分类的文件数量，选取不同数目的最近邻居，来参与分类。

KNN思想：

K最近邻（K-Nearest Neighbor,KNN）分类算法，如果一个样本在特征空间中的K个最相似（即特征空间中最邻近）的样本中的大多数属于某一个类别，则该样本也属于这个类别。KNN算法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。KNN方法虽然从原理上也依赖极限定理，但在类别决策时，只与极少量的相邻样本有关。由于KNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，KNN较其他方法更为合适。

KNN算法不仅可用于分类，也可用于回归。通过找出一个样本的K的最近邻居，将这些邻居的属性的平均值赋给该样本，就可以得到改样本的属性。更有用的方法是将不同距离的邻居对该样本产生的影响给予不同的权值（weight），如权值与距离成反比。