k-近邻算法概述
简单地说,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。
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想死数据(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,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。
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。
使用Python导入数据
- 创建名为kNN.py的Python模块;
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
- 从文本文件中解析数据
伪代码:- 计算一直类别数据集中的点与当前点之间的距离;
- 按照距离递增次序排序;
- 选取与当前点距离最小的k个点;
- 确定前k个点所在类别的出现频率;
- 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。
k近邻算法
def classify0(inX, dataSet,labels,k):
#距离计算
dataSetSize = dataSet.shape[0] #shape以元组形式返回数组各个维度的元素个数
diffMat = tile(inX,(dataSetSize,1)) - dataSet #tile construct an array by repeating A the number of times given by reps.
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]
classify0()函数有4个输入参数:用于分类的输入向量是inX,输入的训练样本集为dataSet,标签向量为labels.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。
采用的是欧式距离公式,计算两个向量点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的次序排序。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,将calssCount字典分解为元祖列表,然后使用程序第二行导入运算符模块的itemgetter方法,按照第二个元素的次序对元祖进行排序。此处的排序为逆序,即按照从大到小的次序排序,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,输入以下命令:
>>> kNN.classify0([0,0],group,labels,3)
示例:使用k-近邻算法改进约会网站的配对效果
在约会网站上使用k-近邻算法
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.测试算法:使用提供的部分数据作为测试样本
5.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数据以判断对方是否为自己喜欢的类型
准备数据:从文本文件中解析数据
对于给出的文本文件datingTestSet.txt中,每个样本数据占据一行,总共有1000行。样本主要包含以下3种特征:
- 每年获得的飞行常客里程数
- 玩视频游戏所耗时间百分比
- 每周消费的冰淇淋公升数
在将上述特征数据输入到分类器之前,必须将待处理数据的格式改变为分类器可以接受的格式。在kNN.py中创建名为file2matrix的函数,以此来处理输入格式问题。该函数的输入为文件名字符串,输出为训练样本矩阵和类标签向量。
def file2matrix(filename):
fr = open(filename)
arrayOLines = fr.readlines()
numberOfLines = len(arrayOLines) #得到文件行数
returnMat = zeros((numberOfLines,3))
classLabelVetor = []
index = 0
for line in arrayOLines:
line = line.strip()
listFromLine = line.split('\t')
returnMat[index,:] = listFromLine[0:3]
classLabelVetor.append(int(listFromLine[-1]))
index += 1
return returnMat,classLabelVetor
分析数据:使用Matplotlib创建散点图
首先导入包:
import matplotlib
import matplotlib.pyplot as plt
然后添加一个绘制函数paint:
def paint():
datingDataMat,datingLabels = file2matrix('datingTestSet2.txt')
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(datingDataMat[:,1],datingDataMat[:,2],15.0*array(datingLabels),15.0*array(datingLabels))
plt.show()
准备数据:归一化数据
在处理不同取值范围的特征值时,我们通常采用的方法是将数值归一化,如将取值范围处理为0到1或者-1到1之间。下面的公式可以将任意取值范围的特征值转化为0到1的区间。
newValue = (oldValue-min)/(max-mi