KNN算法实现

一、题目名称：KNN算法——分类

二、题目描述

如果一个样本在特征空间中的k个最邻近的样本中的大多数属于某一个类别，则该样本也划分为这个类别

三、算法分析

1）计算测试数据与各个训练数据之间的距离；

　　2）按照距离的递增关系进行排序；

　　3）选取距离最小的K个点；

　　4）确定前K个点所在类别的出现频率；

5）返回前K个点中出现频率最高的类别作为测试数据的预测分类

注意（k的取值）：常用的方法是从k=1开始，使用检验集估计分类器的误差率。重复该过程，每次K增值1，允许增加一个近邻。选取产生最小误差率的K（K值选的太大易引起欠拟合，太小容易过拟合，需交叉验证确定K值）。

计算测试集与数据集中所有数据的距离  

四、算法流程图

五、程序实现及运行结果

import math
import csv
import operator
import random
import numpy as np

# 加载鸢尾花卉数据集 filename(数据集文件存放路径)
def loadData(filename):
    with open(filename, 'rt') as csvfile:
        lines = csv.reader(csvfile)
        dataset = list(lines)
        for x in range(len(dataset)):
            for y in range(4):
                dataset[x][y] = float(dataset[x][y])
        return dataset

# 拆分数据集
def splitDataSet(dataSet, split, trainingSet=[], testSet=[]):
    # 遍历数据集
    for x in range(len(dataSet)):
        if random.random() <= split:
            trainingSet.append(dataSet[x])
        else:
            testSet.append(dataSet[x])

# 计算欧氏距离
def Distance(instance1, instance2, length):
    distance = 0
    for x in range(length):
        distance += pow((instance1[x] - instance2[x]), 2)
    return math.sqrt(distance)

# 选取距离最近的K个实例
def getNeighbors(trainingSet, testInstance, k):
    distances = []
    length = len(testInstance) - 1
    for x in range(len(trainingSet)):
        dist = Distance(testInstance, trainingSet[x], length)
        distances.append((trainingSet[x], dist))
    distances.sort(key=operator.itemgetter(1))
    neighbors = []
    for x in range(k):
        neighbors.append(distances[x][0])
    return neighbors

#  获取距离最近的K个实例中占比例较大的分类
def getResponse(neighbors):
    classVotes = {}
    for x in range(len(neighbors)):
        response = neighbors[x][-1]
        if response in classVotes:
            classVotes[response] += 1
        else:
            classVotes[response] = 1
    sortedVotes = sorted(classVotes.items(), key=operator.itemgetter(1), reverse=True)
    return sortedVotes[0][0]

# 计算准确率
def getAccuracy(testSet, predictions):
    correct = 0
    for x in range(len(testSet)):
        if testSet[x][-1] == predictions[x]:
            correct += 1
    return (correct / float(len(testSet))) * 100.0

def main():
    # 使用鸢尾花卉数据集进行分类
    dataSet = loadData(r'E:\Python作业\knn算法\iris_dataset.txt')
    trainingSet = []
    testSet = []
    # 调用拆分数据集函数,训练集所占比例为0.70
    splitDataSet(dataSet, 0.70, trainingSet, testSet)
    # 输出训练集和测试集数组的长度
    print('Train set:' + repr(len(trainingSet)))
    print('Test set:' + repr(len(testSet)))
    predictions = []
    k = 7
    # 遍历测试集数组
    for x in range(len(testSet)):
        neighbors = getNeighbors(trainingSet, testSet[x], k)
        result = getResponse(neighbors)
        # 将预测结果存到数组中去
        predictions.append(result)
    accuracy = getAccuracy(testSet, predictions)
    print('Accuracy: ' + repr(accuracy) + '%')

main()

运行结果 

调试截图

六、心得体会

本次算法主要了解KNN邻近算法，通过本次试验认识到KNN算法的优点及缺点：

优点：①简单，易于理解，易于实现，无需估计参数，无需训练；

          ②适合对稀有事件进行分类；

          ③特别适合于多分类问题。

缺点：

①当样本不平衡时，如一个类的样本容量很大，而其他类样本容量很小时，有可能导致当输入一个新样本时，该样本的K个邻居中大容量类的样本占多数。

②该算法只计算最近的邻居样本，某一类的样本数量很大，那么或者这类样本并不接近目标样本，或者这类样本很靠近目标样本。无论怎样，数量并不能影响运行结果。

KNN很耗时，时间复杂度为O(n)，一般适用于样本数较少的数据集，当数据量大时，可以将数据以树的形式呈现，能提高速度，常用的有kd-tree和ball-tree。

③特别适合于多分类问题。