KNN(K-Nearest Neighbor)K-近邻算法,简单的说,该算法就是采用测量不同特征值之间的距离方法进行分类。
KNN的工作原理
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,即我们知道样本集中每一个数据与所属分类的对应关系。
输入本有标签的新数据后,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,然后算法提取出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,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。
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
K-近邻算法的一般流程:
- 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。
如何求距离:
欧氏距离公式
二维空间:
多维空间:
下面通过一个实例对KNN算法有一个更加深刻的了解
电影的分类 案例
我们知道电影的分类有好多种,比如说动作,爱情,喜剧,灾难…它们是依据什么进行分类的呢。比如说爱情电影就是在影片中出现较多的接吻镜头,在动作类电影中出现了较多的打斗类镜头。
如下图所示电影中的接吻镜头和打斗镜头的次数的分类图:
可以看到,距离较近的那几个可以分为一类,因为他们有相同的特征。那么我们就基于这个原理,用KNN算法可以对一个电影进行分类,
下面我们就利用KNN算法编写代码,对上面表中的最后一个电影进行分类,具体代码如下:
from numpy import *
def createDataSet():
# group = array([[1.0, 1.1], [1.0, 1.0], [0, 0], [0, 0.1]])
# labels = ['A', 'A', 'B', 'B']
group = array([[3, 104], [2, 100], [1, 81], [101, 10], [99, 5], [98, 2]])
labels = ['Roman', 'Roman', 'Roman', 'Action', 'Action', 'Action']
return group, labels
def classify(inX, dataSet, labels, k):
# shape:输出数组的格式
dataSetSize = dataSet.shape[0] # (6,2)
# tile复制数组 e.g. [0,1], tile([0,1], (3,1)) -> [[0,1],[0,1],[0,1]]
diffMat = tile(inX, (dataSetSize, 1)) - dataSet
sqDiffMat = diffMat ** 2
# print(sqDiffMat)
# axis表示需要加和的维度
sqDistances = sqDiffMat.sum(axis=1)
# print(sqDistances)
distances = sqDistances ** 0.5
# print(distances)
# sortedDistIndicies 是一个排好序的index
sortedDistIndicies = distances.argsort()
# print(sortedDistIndicies)
classCount = {}
for i in range(k):
voteIlabel = labels[sortedDistIndicies[i]]
# print(voteIlabel)
# get是一个字典dict的方法,它的作用是返回key对应的value值,如果没有的话,返回默认值,就是下一行的0
classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
# print(classCount)
# sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
sortedClassCount = sorted(classCount.items(), key=lambda d: float(d[1]), reverse=True)
print(sortedClassCount)
return sortedClassCount
if __name__ == '__main__':
group, labels = createDataSet()
result = classify([18,90], group, labels, 3)
输出结果如下:
可见,将最后一个电影分到了爱情片里面,因为它的接吻镜头比打斗镜头多的多,所以分类也是正确的。