k 近邻学习是一种常用的监督学习方法,比如:判断一个人的人品,只需要观察与他来往最密切的几个人的人品好坏就可以得出,即“近朱者赤,近墨者黑”。
理论/原理:“物以类聚,人以群分”
一个对于KNN算法解释最清楚的图如下所示:
蓝方块和红三角均是已有分类数据,当前的任务是将绿色圆块进行分类判断,判断是属于蓝方块或者红三角。
当然这里的分类还跟K值是有关的:
如果K=3(实线圈),红三角占比2/3,则判断为红三角;
如果K=5(虚线圈),蓝方块占比3/5,则判断为蓝方块。
由此可以看出knn算法实际上根本就不用进行训练,而是直接进行计算的,训练时间为0,计算时间为训练集规模n。
knn算法的基本要素大致有3个:
1、K 值的选择
2、距离的度量
3、分类决策规则
# -*- coding: utf-8 -*-
import numpy as np # 科学计算包Numpy
import operator # 运算符模块
"""
对未知类别属性的数据集中的每个点依次执行一下操作:
(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)选取与当前点距离最小的k个点
(4)确定前k个点所在类别的出现频数
(5)返回当前k个点出现频数最高的类别作为当前点的预测分类
近朱者赤,近墨者黑”
理论/原理:“物以类聚,人以群分”
参考链接:https://blog.csdn.net/Daycym/article/details/84452786
"""
# k-近邻算法
def knn(inX, dataSet, labels, k): # 输入向量,训练数据,标签,参数k
dataSetSize = dataSet.shape[0] # 数据个数
# 计算差值
"""
tile函数:将输入向量变成和训练数据一样的形状
例如:输入向量为[1.2, 1],
训练数据为:
[[1.0, 1.1],
[1.0, 1.0],
[ 0, 0],
[ 0, 0.1]]
变换后为:
[[1.2, 1],
[1.2, 1],
[1.2, 1],
[1.2, 1]]
"""
diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet # 计算对应元素的差值
sqDiffMat = diffMat ** 2 # 每个元素分别平方
sqDistances = sqDiffMat.sum(axis=1) # 按行求和
distances = sqDistances ** 0.5 # 开根号 欧氏距离,求得每个训练数据到输入数据的距离
sortedDistIndicies = distances.argsort() # 返回数组值从小到大的索引
classCount = {} # 创建一个字典,用于记录每个实例对应的频数
for i in range(k):
voteIlabel = labels[sortedDistIndicies[i]] # 选择k个距离最小的点,对应标签
classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1 # 统计频数
sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
"""
operator.itemgetter(1):返回前面classCount迭代器中的第1列
sorted中key指定按value值排序
reverse=True降序
"""
return sortedClassCount[0][0] # 返回最多的,多数表决法
# 1.数据获取
def createDataSet():
group = np.array([
[1.0, 1.1],
[1.0, 1.0],
[0, 0],
[0, 0.1]
])
labels = ['A', 'A', 'B', 'B']
return group, labels
# 查看数据
group, labels = createDataSet()
print("训练数据:", group)
print("标签:", labels)
# 预测
result = knn([1.2, 1], group, labels, 3)
print("预测标签为:", result)
如何理解中间部分的代码,参考如下:
#knn-k-最临近算法 #inX为待分类向量,dataSet为训练数据集 #labels为训练集对应分类,k最邻近算法 def classify0(inX, dataSet, labels, k): dataSetSize = dataSet.shape[0]#获得dataSet的行数 diffMat = np.tile(inX, (dataSetSize,1)) - dataSet#对应的差值 sqDiffMat = diffMat**2 #差的平方 sqDistances = sqDiffMat.sum(axis=1) #差的平方的和 distances = sqDistances**0.5 #差的平方的和的平方根 #计算待分类向量与每一个训练数据集的欧氏距离 sortedDistIndicies = distances.argsort() #排序后,统计前面K个数据的分类情况 classCount={}#字典 for i in range(k): voteIlabel = labels[sortedDistIndicies[i]]#labels得是字典才可以如此 classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1 sortedClassCount = sorted(classCount.iteritems(), key=operator.itemgetter(1), reverse=True)#再次排序 return sortedClassCount[0][0]#第一个就是最多的类别