《机器学习实战》学习笔记——k-近邻算法(kNN)知识点和Python实现

最近开始学习《利用Python数据分析》和《机器学习实战》，本篇主要对《机器学习实战》中的k-邻近算法的整理和Python程序实现。

k-近邻算法kNN(可用于分类也可用于回归)

1.理论知识点
含义：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，也称为训练样本集，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。
2.k-近邻算法的一般流程
(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。
3.k-近邻算法距离计算

例如，点(0,0)与(1,2)之间的距离计算为：

如果数据集存在4个特征值，则点(1,0,0,1)与(7,6,9,4)之间的距离计算为：

4.基于Python实现k邻近算法
使用Anaconda软件的Jupyter NoteBook实现程序开发。
首先，创建一个数据集

import numpy as np
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

group,labels = createDataSet()

输入：group

array([[ 1. ,  1.1],
       [ 1. ,  1. ],
       [ 0. ,  0. ],
       [ 0. ,  0.1]])

输入：labels

['A', 'A', 'B', 'B']

之后，编写测试算法

from numpy import *
import operator

def classify0(inX,dataSet,labels,k):
    dataSetSize = dataSet.shape[0]
    diffMat = tile(inX,(dataSetSize,1)) - dataSet
    sqDiffMat = diffMat**2
    sqDistances = sqDiffMat.sum(axis=1)
    distances = sqDistances**0.5
    sortedDistIndicies = distances.argsort()
    classCount={}
    for i in range(k):
        voteIlabel = labels[sortedDistIndicies[i]]
        classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
        sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
        return sortedClassCount[0][0]

最后，使用算法
输入：

classify0([0,0],group,labels,3)

运行结果：

'B'

总结：通过介绍k-近邻算法的理论知识点、算法流程和代码实现分类器的设计。k-近邻算法是分类数据最简单最有效的算法，是基于实例的学习，使用算法时要对数据集中的每个数据计算距离值，当数据集很大时，计算量将增大，计算比较耗时。