K-近邻算法（KNN）



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

1. 收集数据：可以使用任何方法。

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：可以使用任何方法。

4. 训练算法：此步骤不适用于k-近邻算法。

5. 测试算法：计算错误率。

6. 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：

1. 计算已知类别数据集中的点与当前点之间的距离；

2. 按照距离递增次序排序；

3. 选取当前点距离最小的k个点；

4. 确定前k个点所在类别出现频率；

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。

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。