机器学习实战笔记1：K近邻算法详解

一 概述

最近在看《机器学习实战》这本书，书中的代码都是对某种算法在对应应用场景的实现，感觉比大学时代的数据结构或者算法题还要晦涩难懂，只能慢慢学习了，算法这种东西类似做数学题，要多做多练。

K-近邻算法一个典型的应用场景就是在区别电影类别中，比如说根据在电影片段中出现亲吻，打
斗场景来判断电影是否是爱情片或是动作片。

简单来说，K-紧邻算法采用测量不同特征值之间的距离方法进行分类。

二 工作原理

存在一个样本数据集合，也称作为训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一个数据与所属分类的对应关系。输入没有标签的新数据后，将新的数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本最相似数据(最近邻)的分类标签。一般来说，我们只选择样本数据集中前k个最相似的数据，这就是k-近邻算法中k的出处，通常k是不大于20的整数。最后，选择k个最相似数据中出现次数最多的分类，作为新数据的分类。

算法步骤为：

1.计算已知类别数据集中的点与当前点之间的距离；
2.按照距离递增次序排序；
3.选取与当前点距离最小的k个点；
4.确定前k个点所在类别的出现频率；
5.返回前k个点所出现频率最高的类别作为当前点的预测分类。

三 代码实例

首先我们先准备一个简单的数据集：

from numpy import *
import operator


def createDataSet():
    group = array([[1.0, 1.1], [1.0, 1.0], [0, 0], [0, 0.1]])  # 训练样本
    labels = ['A', 'A', 'B', 'B']  # 标签向量
    return group, labels
if __name__ == '__main__':
    #创建测试数据集
    group, labels = createDataSet()
    #打印测试数据集
    print(group)
    print(labels)

然后是k-近邻算法：

"""
函数说明:kNN算法,分类器

Parameters:
    inX - 用于分类的数据(测试集)
    dataSet - 用于训练的数据(训练集)
    labes - 分类标签
    k - kNN算法参数,选择距离最小的k个点
Returns:
    sortedClassCount[0][0] - 分类结果
"""
def classify0(inX, dataSet, labels, k):
    dataSetSize = dataSet.shape[0]  # 第二维的长度 https://blog.csdn.net/u010758410/article/details/71554224
    diffMat = tile(inX, (dataSetSize, 1)) - dataSet  # https://blog.csdn.net/ksearch/article/details/21388985
    sqDiffMat = diffMat ** 2  # 幂 - 返回x的y次幂
    sqDistances = sqDiffMat.sum(axis=1)  # 将一个矩阵的每一行向量相加
    distances = sqDistances ** 0.5  # 求根
    sortedDistIndicies = distances.argsort()  # 元素从小到大排列，提取其对应的index(索引)，然后输出
    classCount = {}
    for i in range(k):
        voteIlabel = labels[sortedDistIndicies[i]]
        classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
    # python3中用items()替换python2中的iteritems()
    # key=operator.itemgetter(1)根据字典的值进行排序
    # key=operator.itemgetter(0)根据字典的键进行排序
    # reverse降序排序字典
    sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
    return sortedClassCount[0][0]

代码主要含义就是根据两点距离公式：

计算距离，选择距离最小的前k个点，并返回分类结果。

测试代码：

if __name__ == '__main__':
    # 创建数据集
    group, labels = kNN.createDataSet()
    # kNN分类
    print(kNN.classify0([0, 0], group, labels, 3))

打印出‘B’，证明运行正确。

以上代码其实就是为了实现上面的数学公式，第一次接触用python写科学计算代码的同学可能感觉到很吃力，不要着急，慢慢练习就熟练了。