k-近邻算法是一种分类算法,简单地说,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。
适用数据范围:数值型和标称型。
工作原理:存在一个样本数据集合,也称作训练样本集,并且样本集中每个数据都存在标签,也就是说我们知道样本集中每一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(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。
一般流程
-
收集数据:可以使用任何方法。
-
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。
-
分析数据:可以使用任何方法。
-
训练算法:此步骤不适用于k-近邻算法。
-
测试算法:计算错误率。
-
使用算法:首先需要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分别属于哪个分类,最后应用对计算出的分类执行后续的处理。
准备:使用Python导入数据
创建kNN.py,加入如下代码:
from numpy import *
import operator
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
上面将[1.0,1.1],[1.0,1.0]归为A类,[0,0],[0,0.1]归为B类。
对未知类别属性的数据集中的每个点依次执行以下操作:
-
计算已知类别数据集中的点与当前点之间的距离;
-
按照距离递增次序排序;
-
选取当前点距离最小的k个点;
-
确定前k个点所在类别出现频率;
-
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。
以下为Python代码:
def classify0(inX, dataSet, labels, k):
dataSetSize = dataSet.shape[0]
diffMat = tile(inX, (dataSetSize, 1)) - dataSet
sqDiffMat = diffMat**2
sqDistances = sqDiffMat.sum(axis=1)
distances = sqDistances**0.5
sortedDistIndicies = distances.argsort()
classCount={}
for i in range(k):
voteIlabel = labels[sortedDistIndicies[i]]
classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
sortedClassCount = sorted(classCount.iteritems(),key = operator.itemgetter(1), reverse=True)
return sortedClassCount[0][0]
创建测试代码如下(结果应该为B):
import kNN
group, labels = kNN.createDataSet()
print kNN.classify0([0,0], group, labels, 3)
结果为B。