算法二、K-近邻（KNN）算法

1、k-近邻法简介

k近邻法(k-nearest neighbor, k-NN)是1967年由Cover T和Hart P提出的一种基本分类与回归方法。它的工作原理是：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。

举个简单的例子，我们可以使用k-近邻算法分类一个电影是爱情片还是动作片。

如上图所示就是我们已有的数据集合。这个数据集有两个特征，即打斗次数和接吻次数。同时我们也知道电影的分了标签即是爱情片还是动作片。我们将打斗次数和接吻次数转为X轴的坐标和Y轴的坐标。为了判断未知电影的类别，我们以所有已知电影的类别作为参照， 计算未知实例与所有已知实例的距离，然后根据距离的远近排序，选择最近K个已知的实例进行投票， 根据少数服从多数的投票法则(majority-voting)，让未知实例归类为K个最邻近样本中最多数的类别（就是归为这K个实例中最多的那一类）。

  关于距离的衡量方法:

         3.2.1 Euclidean Distance 定义

  其他距离衡量：余弦值（cos）, 相关度 （correlation）, 曼哈顿距离 （Manhattan distance）

通过计算，我们可以得到如下结果：

• (18,90)->爱情片(3,104)的距离约为20.51828453
• (18,90)->爱情片(2,100)的距离约为18.86796226
• (18,90)->爱情片(1,81)的距离约为19.23538406
• (18,90)->动作片(101,10)的距离约为115.27792503 
• (18,90)->动作片(99,5)的距离约为117.41379817
• (18,90)->动作片(98,2)的距离约为118.92854998
• 假设去k为4,则最近的4个点钟有三个为爱情片，一个为动作片。所以未知类型的电影应该为爱情片！

# -*- coding: UTF-8 -*-
import numpy as np
import operator

"""
函数说明:计算给定数据集的经验熵(香农熵)

Parameters:
    dataSet - 数据集
Returns:
    shannonEnt - 经验熵(香农熵)
Author:
    Aaron Gao
Modify:
    2018-12-01
"""
def createData():
    dataset=[[3,104,'爱情片'],
             [2,100,'爱情片'],
             [1,81,'爱情片'],
             [101,10,'动作片'],
             [99,5,'动作片'],
             [98,2,'动作片']]
    dataset=np.array(dataset)
    labelList=dataset[:,-1]
    featureList=dataset[:,:2]
    return  featureList,labelList

"""
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

Modify:
    2018-12-02
"""
def classify0(textData, dataSet, labels, k):
    #numpy函数shape[0]返回dataSet的行数
    dataSetSize = dataSet.shape[0]
    #在列向量方向上重复textData共1次(横向)，行向量方向上重复textData共dataSetSize次(纵向)
    testDataList= np.tile(textData, (dataSetSize, 1))
    #print(testDataList.dtype)
    #print(dataSet.dtype)
    dataSet=dataSet.astype('float64') #转换类型
    diffMat =testDataList-dataSet
    #print(diffMat)
    #二维特征相减后平方
    sqDiffMat = diffMat**2
    #sum()所有元素相加，sum(0)列相加，sum(1)行相加
    sqDistances = sqDiffMat.sum(axis=1)
    #开方，计算出距离
    distances = sqDistances**0.5
    print(distances)
    #返回distances中元素从小到大排序后的索引值
    sortedDistIndices = distances.argsort()
    #定一个记录类别次数的字典
    classCount = {}
    for i in range(k):
        #取出前k个元素的类别
        voteIlabel = labels[sortedDistIndices[i]]
        #dict.get(key,default=None),字典的get()方法,返回指定键的值,如果值不在字典中返回默认值。
        #计算类别次数
        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

    print(classCount)
    # reverse降序排序字典
    sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
    #返回次数最多的类别,即所要分类的类别
    return sortedClassCount[0][0]

if __name__=="__main__":
    featureList,labelList=createData()
    test=[18,90]
    currLablel=classify0(test,featureList,labelList,4)
    print('电影类型：'+str(currLablel))

算法优缺点：

     算法优点

          简单

          易于理解

          容易实现

          通过对K的选择可具备丢噪音数据的健壮性

 算法缺点

   需要大量空间储存所有已知实例

          算法复杂度高（需要比较所有已知实例与要分类的实例）

          当其样本分布不平衡时，比如其中一类样本过大（实例数量过多）占主导的时候，新的未知实例容易被归类为这个主导样本，因为这类样本实例的数量过大，但这个新的未知实例实际并木接近目标样本