机器学习入门读书笔记二（k-近邻算法 kNN） 上

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。