k-近邻算法(k-Nearest Neighbor)
flyfish 笔记
摘自书籍《机器学习实战》
k-近邻算法(kNN)工作原理
存在一个样本数据集合,称为训练样本集,并且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的的分类标签。由于样本集可以很大,我们选取前k个最相似数据,这既是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个数据中出现次数最多的分类,作为新数据的分类。
python实现
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
def classify(inX,dataSet,labels,k):
dataSetSize = dataSet.shape[0] #labels的数目
#欧氏距离 Euclidean distance
diffMat = tile(inX,(dataSetSize,1)) - dataSet
sqDiffMat = diffMat**2
sqDistances = sqDiffMat.sum(axis = 1)
distances = sqDistances**0.5
#从小到大排序的序号
sortedDistIndicies = distances.argsort()
classCount = {}
for i in range(k):
voteIlabel = labels[sortedDistIndicies[i]]
classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
#按value从大到小排序
sortedClassCount = sorted(classCount.items(),
key=operator.itemgetter(1),reverse=True)
print(sortedClassCount)
#输出最大value对应的key
return sortedClassCount[0][0]
group,labels=createDataSet()
print(classify([1.0,1.5],group,labels,3))
对代码的解释
欧几里得度量
欧氏距离
Euclidean distance
Euclidean metric
二维
d=(x0−y0)2+(x1−y1)2−−−−−−−−−−−−−−−−−−√
三维
d=(x0−y0)2+(x1−y1)2+(z0−z1)2−−−−−−−−−−−−−−−−−−−−−−−−−−−−√
n维
d(p,q)=d(q,p)=(q1−p1)2+(q2−p2)2+⋯+(qn−pn)2−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−√=∑ni=1(qi−pi)2−−−−−−−−−−−√.
numpy的tile的用法
import numpy as np
print(np.tile([7,8],3))
print(np.tile([7,8],(3,1)))
print(np.tile([7,8],(3,2)))
output:
[7 8 7 8 7 8]
output:
[[7 8]
[7 8]
[7 8]]
output:
[[7 8 7 8]
[7 8 7 8]
[7 8 7 8]]
numpy的argsort的用法
import numpy as np
x=np.array([1,4,3,2])
y=x.argsort()
print(x,y)
output:
[1 4 3 2] [0 3 2 1]
将x中的元素从小到大排列,提取其对应的索引,将索引输出到y
x并未发送变化
classify(inX,dataSet,labels,k)
inX 输入没有标签的新数据
dataSet 样本数据集合/训练样本集
labels 训练样本集对应的分类标签
k 选取最相似(最近邻)的样本数目