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],[