K-近邻算法
内容
* K近邻分类算法
* 从文本文件中解析和导入数据
* 使用Matplotlib创建扩散图
* 归一化数值
概述:
K近邻算法采用测量不同的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。
使用数据范围:数值型和标称型。
工作原理:
存在一个样本数据集合(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。一般来讲,我们只选择样本数据集中的前k个最相似的数据,这就是k怎么来的,并且k<=20(一般情况下),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。
算法流程:
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:导入数据
#kNN.py文件
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
进入python开发环境之后,输入下面的命令导入上面编辑的程序模块:
>>>import kNN
上述命令导入kNN模块。为了确保输入相同的数据集,kNN模块中定义了函数createDataSet,在python命令提示符下输入下属命令:
>>>group, labels = kNN.createDataSet()
上面命令创建了变量group和labels,在python命令提示符下输入下列命令,输入变量的名字以检验是否正确地定义变量:
>>>group
Array([1.0, 1.1],
[1.0, 1.0],
[0, 0],
[0, 0.1])
>>>labels
['A', 'A', 'B', 'B']
在上面的代码,我们导入了两个模块:
第一个是科学计算包numpy
第二个是运算符模块,K近邻算法执行排序操作时将使用这个模块提供的函数,后面进一步去说明。
实施kNN分类算法
伪代码:
对未知类别属性的数据结构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。
Python函数classify0()
def classify0(inX, dataSet, labels, k):
dataSetSize = dataSet.shape[0]
#①(以下三行)距离计算
diffMat = title(inX ,(dataSetSize, 1)) - dataSet
sqDiffMat = diffMat**2
sqDistances = sqDiffMat.sum(axis=1)
distances = sqDistances**0.5
sortedDistIndicies = distances.argsort()
classCount = {}
#②(以下两行)选择距离最小的k个点
for i in range (k):
voteIlabel = labels[sortedDistIndicies[i]]
classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
sortedClassCount = sorted(classCount.iteritems(),
#③排序
key=operator.iteritems(1), reverse=True)
return sortedClassCount[0][0]
Classify0()函数有4个参数:用于分类的输入向量是inX,输入的训练样本集为dataSet,标签向量labels,最后的参数k表示用于选择最近邻的数目,其中标签向量的元素数目和矩阵dataSet的行数相同,程序中使用欧氏距离公式,计算来那个向量点xA和xB之间的距离:
计算完所有点之间的距离后,可以对数据按照从小到大次序排序。然后,确定前k个距离最小元素所在的主要分类,输入k总是正整数;最后classCount字典分解为元组列表,使用程序第二行导入的运算符模块的itemgetter方法,按照第二个元素的次序对元组进行排序。此处的排序为逆序,即按照从最大到最小次序排序,最后返回发生频率最高的元素标签。
为了预测数据所在分类,在python提示符中输入下列命令:
>>>kNN.classify0([0, 0], group, labels, 3)
输出结果是B,也可以改变输入的值,测试程序运行的结果。
到目前为止,已经构造了第一个分类器,使用这个分类器可以完成很多分类任务。