数据下载:https://pan.baidu.com/s/1D4vkduD8PVGyPDmx5FRCnw
目录
一、算法概述
1.1 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个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,我们值选择样本数据集中 k 个最相似的数据(这就是k-近邻算法中 k 的出处),通常 k 是一个不大于20的正数;
- 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。
1.2 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(此算法不适用于KNN);
- 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KNN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处理。
1.3 优点
- 精度高
- 对异常值不敏感
- 无数据输入假定
1.4 缺点
- 计算复杂度高
- 空间复杂度高
- 无法给出任何数据的基础结构信息,因此我们无法知晓平均实例样本和典型实例样本具有什么特征
二、示例1-构建第一个分类器
2.1 创建数据集和标签
- 代码
import numpy as np
import operator
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
- 执行结果
2.2 构建第一个分类器
- 代码
# inX:用于分类的输入向量
# dataSet:输入的训练样本集
# labels:标签向量
# k:表示用于选择最近邻居的数目
# 注意标签向量的元素数目和矩阵 dataSet 的行数相同
def classify0(inX, dataSet, labels, k):
dataSetSize = dataSet.shape[0]
# 使用欧氏距离公式计算两点间距离
diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet
sqDiffMat = diffMat ** 2
sqDistances = sqDiffMat.sum(axis=1)
distances = sqDistances ** 0.5
sortedDistIndicies = distances.argsort()
# 选择距离最小的 k 个点
classCount = {}
for i in range(k):
voteIlabel = labels[sortedDistIndicies[i]]
classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
# 排序
sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
return sortedClassCount[0][0]
- 执行结果
此处应注意:
- 为防止两个模块互相导入的问题,Python默认所有的模块都只导入一次。如果修改模块代码后,重新导入模块无效。
- Python3中已经无法直接使用reload(),可使用的方法可参考:https://blog.csdn.net/xiakexiaohu/article/details/74999108。
三、示例2-应用KNN算法改进约会网站的配对效果
3.1 准备数据:从文本文件中解析数据
- 代码
# 文件记录转换为矩阵
def file2matrix(filename):
fr = open(filename)
# 得到文件行数
arrayOfLines = fr.readlines()
numOfLines = len(arrayOfLines)
# 创建返回值的Numpy矩阵
returnMat = np.zeros((numOfLines, 3))
# 解析文件数据到列表
classLabelVector = []
index = 0
for line in arrayOfLines:
# 使