机器学习之knn算法

knn算法工作原理：

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条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。

knn算法分类过程（步骤）：

1. 计算已知类别数据集中的点与待预测点之间的距离
2. 按照距离递增次序排序
3. 选取与待预测点距离最小的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待预测点的预测分类

python代码如下：

def classify(input, dataSet, labels, k):
    """knn分类算法

    input：要预测的数据向量
    dataSet：样本数据集
    labels：样本数据集对应的label
    k：取最近的k个数据来判断待预测的数据的类别
    :rtype: int，待预测的数据向量的类别
    """

    dataSetSize = dataSet.shape[0]
    diffMat = tile(input, (dataSetSize, 1)) - dataSet
    sqDiffMat = diffMat ** 2
    sqDistances = sqDiffMat.sum(axis=1)
    distances = sqDistances ** 0.5
    distanceIndicies = distances.argsort()

    classCount = {}

    for i in range(k):
        voteLabel = labels[distanceIndicies[i]]
        classCount[voteLabel] = classCount.get(voteLabel, 0) + 1

    sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
    return sortedClassCount[0][0]