机器学习笔记1.0 K-近邻算法（KNN）

K-近邻算法概述

K-近邻算法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

适用数据类型：数值型和标称型

工作原理：存在一个样本数据集，且样本集中每个数据都存在标签，即我们知道样本集中每个数据对应的分类。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。通常只取前k个最相似的数据，k往往是不大于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。

创建名为knn.py的Python模块，在文件中添加下面的代码：

from numpy import *    #科学计算包
import operator        #运算符模块

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

保存文件，改变当前路径到存储knn.py的位置。进入Python交互式开发环境，输入如下命令导入刚编辑好的Python模块。

import knn

然后输入如下命令创建变量group和labels

group,labels=knn.createDataSet()

此时可输入变量名以检验是否正确的定义了变量。

Mac可参考如下操作：

打开终端，找到刚存储的knn.py文件

为了简单地实现数据可视化，对于每个数据点通常只使用两个特征。向量labels包含了每个数据点的标签信息，labels包含的元素个数等于group矩阵行数。这里我们将数据点(1,1.1)定义为类A，数据点(0,0.1)定义为类B。

分类函数伪代码

对未知类别属性的数据集中的每个点依次执行以下操作：

1.计算已知类别数据集中的点与当前点的距离；

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个点出现频率最高的类别作为当前点的预测分类。

Python函数代码实现：

def classify0(inX,dataSet,labels,k):              #k-近邻算法
    dataSetSize = dataSet.shape[0]
    diffMat = tile(inX,(dataSetSize,1)) - dataSet
    sqDiffMat = diffMat**2
    sqDistances = sqDiffMat.sum(axis=1)
    distances = sqDistances**0.5               #计算距离
    sortedDistIndicies = distances.argsort()
    classCount = {}
    for i in range(k):
     voteIlabel = labels[sortedDistIndicies[i]]
     classCount[voteIlabel] = classCount.get(voteIlabel,0)+1    #选取距离最小的k个点
    sortedClassCount = sorted(classCount.items(),
        key = operator.itemgetter(1),reverse = True)
    return sortedClassCount[0][0]         #排序

该函数有四个输入参数：用于分类的输入向量是inX，输入的训练样本集是dataSet，标签向量是labels，参数k表示用于选择近邻的数目，其中标签向量的元素数目和矩阵dataSet的行数相同。该函数中计算距离使用的是欧式距离，即

计算完所有点之间的距离后，对数据按照从小到大的次序排序，随后确定前k个距离最小元素所在的分类，最后，将classCount字典分解成元组列表，使用运算符模块的itemgetter方法，按照第二个元素的次序对元组进行排序（逆序），最后返回频率最高的元素标签。

为预测数据所在分类，在python提示符中输入下列命令：

knn.classify0([0,0],group, labels,3)

输出结果为B

分类器构造完成。