《机器学习实战》阅读笔记（二）

第二章 k-近邻算法（kNN）

2.1k-近邻算法概述

定义：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：存在一个训练样本集，样本集中的每个数据都存在标签，即我们知道每个数据属于哪个分类。输入没有标签的新数据之后，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，然后算法提取样本集中特征最相似数据的分类标签。一般来说，只选择前k个最相似的数据，所以叫做k-近邻算法。通常，k是不大于20的整数。最后选择k个相似数据中出现最多的分类，作为新数据的分类。

一般流程：

1.收集数据

2.准备数据：距离计算所需要的数值，最好是结构化的数据格式。

3.分析数据

4.训练算法：不适用于kNN。

5.测试算法：计算错误率。

6.使用算法：首先输入样本数据和结构化的输出结果，然后运行k近邻算法判定输入数据属于哪个分类，最后应用计算出的分类执行后续处理。

2.1.1准备：使用Python导入数据

首先创建一个kNN.py文件如下：

#kNN.py
#两个包分别是科学计算包和运算符模块，这个模块中有运行kNN所需要的函数
from numpy import *
import operator 
def createDataSet():
    group=array([[1.0,1.1],[1.0,1.0],[