机器学习（一） K-近邻算法（KNN）

机器学习（一）：

K-近邻算法（KNN）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、对异常值不灵敏、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

其工作原理是：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 （lable），即我们知道样本集中每一位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（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。

K-近邻算法的一般流程：
（1）收集数据：可以使用任何方法。即获取样本。
（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。即k-近邻算法不需要训练。
（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。

K-近邻算法的具体应用

下面有一个例子：

使用k-近邻算法去分类爱情片和动作片。图1-1显示了6部电影的打斗和接吻镜头数。那么我们要如何去区分这部新电影是爱情片还是动作片呢？我们可以尝试用k-近邻算法来解决这个问题。

图1-1 使用打斗和接吻镜头数分类电影

具体接吻和打斗镜头数参见表1-1：

表1-1 每部电影的接吻和打斗镜头数以及电影的评估类型

即使不知道未知的电影属于哪种类型，我们也可以通过某种方法计算出来。首先计算未知电影与样本集中其他电影的距离，如表1-2所示。（PS：Python实现电影分类应用时，会提供具体的算法）

表1-2 已知电影与未知电影的距离

现在我们已经得到了样本集中所有电影与未知电影的距离，按照距离递增排序，可以找到k个距离最近的电影（k一般不大于20)。假定k=3，则三个最靠近的电影依次为He’s Not Really into Dudes、Beautiful Woman和California Man。按照k-近邻算法，这三部电影都是爱情片，因此我们可以判定未知电影的类型是爱情片。

K-近邻算法的具体代码

 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]

classify0()函数有四个输入参数：用于分类的输入向量是inX，输入的训练样本级为dataSet,标签向量为lables,最后的参数k表示用于选择最近邻居的数目，其中标签向量的元素数目和矩阵dataSet的行数相同。

使用K-邻近算法改进约会网站的配对效果

这里有一个例子：一位名叫海伦的，想在约会网站寻找适合自己的约会对象。尽管约会网站一直在推荐不同的约会人选，但是海伦并不是很对这些人感兴趣。经过一番总结，发现她曾经交往过三种人：
第一种是不喜欢的人，第二种是魅力一般的人，第三种是极具魅力的人。
尽管有以上的数据，但是海伦依然无法将约会网站推荐的匹配对象归入恰当的分类。她觉得可以在周一到周五约会那些魅力一般的人，而周末则更喜欢和那些极具魅力的人为伴。那么问题来了：我们要如何更好地帮助她找到自己喜欢的类型呢？

以下是在约会网站上使用本算法的过程：
（1）收集数据：提供文本文件。
（2）准备数据：使用Python解析文本文件。
（3）分析数据：使用Matplotlib画二维扩散图。
（4）训练算法：k-近邻算法不需要训练。以下例子直接省略。
（5）测试算法：使用海伦提供的部分数据作为测试样本。
测试样本和非测试样本的区别在于：测试样本是已经完成分类的数据，如果预测分类和实际类别不同，则标记为一个错误。
（6）使用算法：产生简单的命令行程序，然后海伦可以输入一些特征以判断对方是否为自己喜欢的类型。
海伦的样本主要包含以下三种特征：
（1）每年获得的飞行常客里程数
（2）玩视频游戏所耗时间百分比
（3）每周消费的冰淇淋公升数

以下为具体的代码实现：

from numpy import *
import operator
# k-近邻算法
from pip._vendor.distlib.compa